Experimental Characterization and Multi-Factor Modelling to Achieve Desired Flow, Set and Strength of N-A-S-H Geopolymers
Notice bibliographique
Résumé
The interaction between compositional ratios, namely, SiO2/Al2O3, Na2O/Al2O3, H2O/Na2O and the liquid-to-solid ratio, triggers mutual sacrifice between workability, setting time and strength for N-A-S-H geopolymers. The present study characterizes the mechanism underlying the effect of these compositional ratios and, in turn, develops guidelines for mixture design that requires a simultaneous and satisfactory delivery of these engineering properties. The experimental results show that an increase in either the SiO2/Al2O3, Na2O/Al2O3 or H2O/Na2O ratio raises the liquid-to-solid ratio, which in turn improves the workability of fresh mixtures. A continuous increase beyond 2.8 for the SiO2/Al2O3 ratio boosts its strength, but also significantly extends its final set. Lowering the Na2O/Al2O3 ratio from 1.3 to 0.75 raises the compressive strength significantly, while the shortest final set was seen at the median value, 1.0. A H2O/Na2O ratio of 9~10 yields the highest strength and the fastest final set simultaneously, due to the maximized degree of geopolymerization. Moreover, the accompanying sensitivity analysis indicates that the workability depends chiefly upon the H2O/Na2O ratio, the final setting time on the SiO2/Al2O3 ratio and, that the compressive strength relies on both of them. Also, this study proposes an optimal range of 2.8~3.6 for SiO2/Al2O3, 0.75~1.0 for Na2O/Al2O3 and 9~10 for H2O/Na2O to guarantee high strength, together with high flow and within the allowable final setting time. Furthermore, multi-factor predictive models are established with acceptable accuracy for practitioners to regulate oxide compositions in N-A-S-H geopolymers, which will guide future mixture design.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 | 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 tête enseignante, 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 ».