MétaCan
Menu
Retour à la cohorte
Enregistrement W3011474552 · doi:10.1139/cgj-2019-0272

Temperature effects on dredged slurry performance under vacuum preloading

2020· article· en· W3011474552 sur OpenAlexvenueno aff
Jun Wang, Yuanqiang Cai, Guohui Yuan, Hongtao Fu, Wentao Sun, Xiuqing Hu, Peng Wang, Junfeng Ni

Notice bibliographique

RevueCanadian Geotechnical Journal · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueLandfill Environmental Impact Studies
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésConsolidation (business)SlurryGeotechnical engineeringPore water pressureDissipationWater contentAtterberg limitsMaterials scienceEnvironmental scienceGeologyComposite materialThermodynamics

Résumé

récupéré en direct d'OpenAlex

Under appropriate temperature conditions, vacuum preloading can effectively accelerate the rate of soil consolidation. If the temperature is low (30 °C), vacuum preloading is less effective at consolidating the soil. If temperature is extremely high, vacuum preloading is less efficient at consolidating the soil due to the consummation of excess energy consumed. In this study, a series of laboratory tests was conducted to analyse the effects that temperature has on dredged slurry consolidation via vacuum pressure using constant and variable heating modes. During these tests, heat transfer, water discharge, surface settlement, and pore-water pressure dissipation were observed in the soil samples. Based on the laboratory test measurements, each soil sample’s horizontal coefficient of consolidation, water content, and shear strength were determined. To quantify the energy consumption of the different heating modes, the ratios of energy consumption as a function of the soil’s total water discharge and mean shear strength were determined. Using these parameters, an optimal soil consolidation temperature was obtained. The results indicated that vacuum preloading was most effective in consolidating the soil under a constant temperature of 75 °C rather than variable temperatures.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,774
Score d'incertitude au seuil1,000

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 technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 GPT0,195
Écart entre enseignants0,186 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
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

Citations23
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Geotechnical JournalMême sujetLandfill Environmental Impact StudiesTravaux en français237 207