MétaCan
Menu
Retour à la cohorte
Enregistrement W2948848780 · doi:10.3390/app9112250

Effects of Aggregate Micro Fines (AMF), Aluminum Sulfate and Polypropylene Fiber (PPF) on Properties of Machine-Made Sand Concrete

2019· article· en· W2948848780 sur OpenAlexfundno aff
Hang He, Yuli Wang, Junjie Wang

Notice bibliographique

RevueApplied Sciences · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative concrete reinforcement materials
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of ChinaYork UniversityNew York University Abu Dhabi
Mots-clésMaterials scienceCompressive strengthPolypropyleneSlumpComposite materialSulfatePermeability (electromagnetism)ChloridePorosityAluminiumEttringiteAggregate (composite)CementGeotechnical engineeringMetallurgyGeologyChemistryPortland cement

Résumé

récupéré en direct d'OpenAlex

With the depletion and increasing demand of river sand, machine-made sand could be used more and more in concrete. In order to improve the properties of machine-made sand concrete, the effects of the aggregate micro fines (AMF) content, aluminum sulfate, and polypropylene fibers (PPF) on the slump, compressive strength, water permeability, and the chloride permeability coefficients were investigated through a single factor test method, and related mechanisms were analyzed. The results show that the optimum contents of AMF, aluminum sulfate, and the polypropylene fiber are 10 wt%, 1 wt%, and 0.6 kg/m3, respectively. The optimum content of AMF improved the compactness of concrete. The addition of aluminum sulfate promoted the initial formation of ettringite, and thereby improved the compressive strength and the permeability resistance. The polypropylene fiber can modify the pore structure distribution of concrete and reduce the porosity, thereby improving the impermeability of the concrete. The compressive strength of the machine-made sand concrete could be increased by more than 20%, and the water/chloride permeability coefficients could be decreased by more than 45%.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
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)0,0010,000

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 GPT0,197
Écart entre enseignants0,189 · 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 source (Gemma direct ou Codex distillé), 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

Citations44
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied SciencesMême sujetInnovative concrete reinforcement materialsTravaux en français237 207