MétaCan
Menu
Retour à la cohorte
Enregistrement W4214880177 · doi:10.5267/j.esm.2022.2.004

Evaluation of the effects of soda-lime-silica glass with rice husk ash as an additive on the hardness behavior

2022· article· en· W4214880177 sur OpenAlexvenueno aff
Mohammad F. F. S. Alazemi, Mohd Khairol Anuar Mohd Ariffin, Mohd Na’im Abdullah, Eris Elianddy Supeni, Faieza Abdul Aziz

Notice bibliographique

RevueEngineering Solid Mechanics · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueRecycling and utilization of industrial and municipal waste in materials production
Établissements canadiensnon disponible
Organismes subventionnairesUniversiti Putra Malaysia
Mots-clésHuskMaterials scienceGlass recyclingLimeSoda-lime glassRaw materialComposite materialRockwell scaleMetallurgyChemistryBotany

Résumé

récupéré en direct d'OpenAlex

Demand for eco-friendly materials increases each year due to their excellent properties, which has proved to contribute to developing a sustainable environment. One of the promising raw materials in producing Glass is rice husk, a waste product from paddy harvesting, containing about 90% of silica. Rice husks are usually burnt in an open area and contribute to severe air pollution problems. In this research, Soda-Lime-Silica Rice Husk Ash (SLRHA) glass which is a new combination of soda-lime silicate (SLS) glass and rice husk ash (RHA), was developed for building glass and window application. The hardness properties of the developed SLS-RHA glass system are presented in this paper. These glasses were investigated to determine the effect of RHA addition on the physical properties of SLS glass. The experimental works using RSM have successfully identified the significant factors and optimized the responses. Based on the Rockwell hardness test, the outcomes demonstrated that the glass sample contained 29.84% weight SLS and 0.06% weight RHA. The result indicated that crack propagation was increased with the increasing addition of RHA, which causes an increase in cracks and voids due to the creation of more debonding.

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)0,001
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,485
Score d'incertitude au seuil0,393

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0000,000

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 Opus0,018
Tête enseignante GPT0,244
Écart entre enseignants0,226 · 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'étudeSimulation ou modélisation
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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEngineering Solid MechanicsMême sujetRecycling and utilization of industrial and municipal waste in materials productionTravaux en français237 207