MétaCan
Menu
Retour à la cohorte
Enregistrement W3203840296 · doi:10.18280/acsm.450405

Optimal Mix Ratios of Green Building Materials and Construction Cost Control

2021· article· en· W3203840296 sur OpenAlexvenueno aff
Yuan Wang

Notice bibliographique

RevueAnnales de Chimie Science des Matériaux · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueSustainable Building Design and Assessment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceContext (archaeology)Bridging (networking)Reliability engineeringOperations researchEngineering

Résumé

récupéré en direct d'OpenAlex

Green concrete wall-building composite materials (namely GBMs, green building materials for short) have superior mechanical properties and good durability, thus they are now a high-profile topic in relevant research field. However, due to the existence of risk factors such as the high initial cost, and unclear policy direction, the promotion of GBMs has been greatly limited. In this context, it is a necessary work to study the cost control of construction projects, and figure out the relationship between the saving of building operating cost and the increase of initial construction cost. For this purpose, this study experimented on the optimal mix ratios of GBMs to control the construction budget of engineering projects. At first, this paper modeled the strain-hardening and steady-state cracking of GBMs, and constrained the models based on the bridging rule, the energy criterion, and the strength criterion. Then, this paper constructed a fractal model for the dense effect of powder particles in the aggregates of the GBMs, and analyzed its fractal features; after that, this paper designed the mix ratios of GBMs and experimented on the mechanical properties; at last, this paper constructed a production cost-use benefit model of the GBMs, completed the construction budget control of the engineering project, and gave experimental results of the performance of GBMs and the use cost calculation and analysis results.

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 enseignants0,022
Score d'incertitude au seuil0,496

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 technologies0,0000,001
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 Opus0,017
Tête enseignante GPT0,258
Écart entre enseignants0,240 · 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnnales de Chimie Science des MatériauxMême sujetSustainable Building Design and AssessmentTravaux en français237 207