MétaCan
Menu
Retour à la cohorte
Enregistrement W2905264317 · doi:10.3390/su10124709

Slag and Activator Chemistry Control the Reaction Kinetics of Sodium Metasilicate-Activated Slag Cements

2018· article· en· W2905264317 sur OpenAlexfundno aff
M. Criado, Brant Walkley, Xinyuan Ke, John L. Provis, Susan A. Bernal

Notice bibliographique

RevueSustainability · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensnon disponible
Organismes subventionnairesFP7 Ideas: European Research CouncilEngineering and Physical Sciences Research CouncilEuropean CommissionUniversité Laval
Mots-clésGround granulated blast-furnace slagChemistryKineticsActivator (genetics)Isothermal processSlag (welding)Isothermal titration calorimetryAlkali metalChemical kineticsSodiumMetallurgyInorganic chemistryCalorimetryReactivity (psychology)Nuclear chemistryChemical engineeringMineralogyMaterials scienceFly ashPhysical chemistryOrganic chemistryThermodynamicsBiochemistry

Résumé

récupéré en direct d'OpenAlex

The reaction kinetics of four commercial ground granulated blast furnace slags with varying percentages of MgO (6 to 14 wt.%), activated with four different doses of sodium metasilicate, were evaluated using isothermal calorimetry. The reaction kinetics were strongly dependent on the dose of the alkaline activator used, and the chemical and physical properties of the slag. When using low concentrations of sodium metasilicate as an activator, the MgO content in the slag influences the kinetics of the reaction, while the CaO content plays a more significant role when the concentration of metasilicate is increased. This study elucidated a close relationship between the dose of the alkali-activator and the chemistry of the slag used, although it was not possible to identify a clear correlation between any of the published chemically-based “slag quality moduli” and the calorimetry results, highlighting the complexity of blast furnace slag glass chemistry, and the importance of the physical properties of the slag in defining its reactivity.

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)0,000
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 enseignants0,013
Score d'incertitude au seuil0,391

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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 Opus0,009
Tête enseignante GPT0,252
Écart entre enseignants0,243 · 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

Citations61
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetConcrete and Cement Materials ResearchTravaux en français237 207