MétaCan
Menu
← Retour à la cohorte
Enregistrement W3112774898 · doi:10.1088/1757-899x/981/3/032075

Mitigating of drying shrinkage in alkali-activated slag composites

2020· article· en· W3112774898 sur OpenAlexaff
Adeyemi Adesina, K. Rajesh Kumar, Samson Olalekan Odeyemi, Kommabatla Mahender, S. Das, Kaze Rodrigue Cyriaque

Notice bibliographique

RevueIOP Conference Series Materials Science and Engineering · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésShrinkageSlag (welding)Curing (chemistry)Materials sciencePortland cementComposite materialCement

Résumé

récupéré en direct d'OpenAlex

Abstract Alkali activated slag composites are promising alternatives to be used as a replacement of Portland cement composites for different construction applications. However, despite the evolution of these composites over the years, its high drying shrinkage still poses a limitation on its application. The increasing interest in alkali-activated slag composites by the research community has resulted in the use of various methods and materials to mitigate the drying shrinkage. This current paper explores the different major types of mitigation techniques that can be used to reduce the drying shrinkage in alkali-activated composites. The mitigation techniques explored are in terms of the use of various materials and curing methods. Discussions presented in this paper showed that a significant reduction in the drying shrinkage can be achieved by partially replacing slag with mineral admixtures or incorporating chemical admixtures specifically made to reduce shrinkage. The use of appropriate internal or external curing method for alkali-activated slag was also found to reduce drying shrinkage effectively. However, it is recommended to carry out further research in order to fully understand the mechanism of drying shrinkage in alkali-activated slag composites in order to develop effective ways to mitigate it.

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)0,000
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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,021
Tête enseignante GPT0,228
Écart entre enseignants0,208 · 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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIOP Conference Series Materials Science and Engineering→Même sujetConcrete and Cement Materials Research→Travaux en français237 207→