Modeling of Mechanical Performance from Concrete Made by Combining Iron Sand and Glass Powder Filler under Hot Water Curing Condition
Notice bibliographique
Résumé
The proportions of the concrete are critical for obtaining a high-strength, high-quality product. Different concrete grades may support varying loads and have varying ratios. Therefore, the objectivity of this research is to study mechanical performance from concrete treated with iron sand, glass powder, and hot water curing. The level of iron sand and glass powder treatment added to the SNI concrete composition is 2% to 10%, 1% to 5%, (w/w), respectively. The curing time and temperature were applied between 1 hr to 4 hr and 301 K to 343 K. The compressive strength of the concrete was tested on 0, 1, 3, 7, and 28 days after molding using UTM with a combination of linear regression and response surface models for optimization. The addition of iron sand and glass powder to increase the best compressive strength was 10%, 2.45%, respectively. Iron sand treatment of 10% combined with glass powder filler 3.04% was predicted to give the best compressive strength of 32.50 MPa. The compressive strength value of this treatment was 21.78% higher than that of SNI concrete. Treat the curing temperature, curing time, and age of the concrete which gives the best compressive strength (28.33 MPa) with SNI concrete composition of 301 K, 4 days, and 28 days. This research shows that the addition of iron sand, glass powder, and hot water curing to the composition of SNI concrete can increase its compressive strength.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».