MétaCan
Menu
Retour à la cohorte
Enregistrement W2555972729 · doi:10.1061/(asce)mt.1943-5533.0001811

Bond Loss between Metakaolin-Incorporated Structural Lightweight Self-Consolidating Concrete and Corroded Steel Reinforcement

2016· article· en· W2555972729 sur OpenAlexaff
Emre Sancak, Khandaker M. Anwar Hossain, Mohamed Lachemi

Notice bibliographique

RevueJournal of Materials in Civil Engineering · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete Corrosion and Durability
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesTürkiye Bilimsel ve Teknolojik Araştırma Kurumu
Mots-clésRebarMaterials scienceReinforcementCorrosionMetakaolinComposite materialSelf-consolidating concreteBond strengthCementitiousSteel barChloridePenetration (warfare)Fly ashDurabilityBondMetallurgyCementCompressive strengthAdhesive

Résumé

récupéré en direct d'OpenAlex

There has been inadequate investigation into the effect of steel reinforcement corrosion on the bond strength between steel rebar and structural self-consolidating lightweight concrete (SCLWC). This study investigates the physical and mechanical properties of developed SCLWC mixtures and their effectiveness in reinforcement corrosion prevention. Cylindrical pullout specimens made of SCLWC mixtures [incorporating 2–4% of metakolin (MK) and 10–12% of fly ash by weight of total cementitious materials] with a centrally embedded 20-mm-diameter reinforcing bar were used to study the effect of corrosive environment on bond behavior. A 5% NaCl solution was used as a corrosive environment and 0.05 A of direct current was applied for accelerated corrosion during the duration of testing. For noncorroded specimens, the highest bond strength was exhibited by specimen made of SCLWC with 0% MK. The specimens made of SCLWC with 4% MK showed highest bond strength (both normalized and unnormalized) when exposed to accelerated corrosion for a theoretical reinforcement mass loss of 2 and 5%. Besides, specimens with 4% MK showed highest resistance against chloride ion penetration.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,860

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,010
Tête enseignante GPT0,208
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials in Civil EngineeringMême sujetConcrete Corrosion and DurabilityTravaux en français237 207