MétaCan
Menu
Retour à la cohorte
Enregistrement W3109457889 · doi:10.1016/j.envc.2020.100004

Recent advances in the concrete industry to reduce its carbon dioxide emissions

2020· article· en· W3109457889 sur OpenAlexaff
Adeyemi Adesina

Notice bibliographique

RevueEnvironmental Challenges · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésSustainabilityProduction (economics)Construction industryPortland cementZero emissionBusinessNatural resource economicsWaste managementEnvironmental scienceCementEngineeringConstruction engineeringMaterials science

Résumé

récupéré en direct d'OpenAlex

Increasing sustainability awareness has put the concrete industry in the spotlight to reduce its carbon dioxide emissions. Most of the carbon dioxide emission from the concrete industry is from the production of Portland cement which is the main binder in concrete, and the transportation of materials. Also, the production of other components in concrete such as aggregates, admixtures, and construction processes contribute to the industry's emission. In addition, the concrete industry is one of the major consumers of natural resources, and the increasing production of concrete has posed a huge strain on the natural reserve of these resources. Nevertheless, the last decade has seen several promising initiatives taken by the industry to improve its sustainability in order to achieve a net-zero emission by 2050. These initiatives vary from using alternative materials such as waste materials, optimizing concrete production processes, use of alternative sources of energy, etc. In order to create more awareness within the construction industry and its stakeholders, this paper explored various ways in which the industry is tackling these sustainability issues. The prospects alongside the challenges for these initiatives are discussed.

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)0,002
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,002

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 Opus0,042
Tête enseignante GPT0,266
Écart entre enseignants0,224 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations373
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnvironmental ChallengesMême sujetConcrete and Cement Materials ResearchTravaux en français237 207