MétaCan
Menu
Retour à la cohorte
Enregistrement W4293074164 · doi:10.11159/iccste22.207

Influence of Blend Ratio on Compressive Strength of Soda Ash Activated Fly Ash and Copper Slag Pastes

2022· article· en· W4293074164 sur OpenAlexvenueno aff
I.O. Erunkulu, G. Malumbela, O.P. Oladijo

Notice bibliographique

RevueProceedings of the International Conference on Civil, Structural and Transportation Engineering · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueMaterials Engineering and Processing
Établissements canadiensnon disponible
Organismes subventionnairesBotswana International University of Science and Technology
Mots-clésFly ashCompressive strengthMaterials scienceSlag (welding)Copper slagCopperMetallurgyComposite materialWaste management

Résumé

récupéré en direct d'OpenAlex

In this study, alkaline activated binder pastes were produced from high calcium fly ash and copper slag in different combinations.The blends were activated with soda ash (sodium carbonate) as the alkaline activator to effectively optimize each materials component in the development of the binder.The as-received samples and the hardened fly ash-copper slag paste were characterized using X-ray Diffraction, X-ray Fluorescence for chemical phase and elemental composition.The mechanical properties were determined by compressive strength test on the hardened cubes produced from resulting pastes at 3, 7, 28 days kept under varying curing conditions.The results show the effects of blend ratio, variation in individual material composition, and curing conditions at different activator dosages on compressive strength of the fly ash-Copper slag activated pastes.From the compressive strength tests result, the optimum composition for fly ash and copper slag was 60% and 40% respectively.Increase in soda ash dosage and curing temperature also increased material 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 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)0,001
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 seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 Opus0,009
Tête enseignante GPT0,204
Écart entre enseignants0,195 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference on Civil, Structural and Transportation EngineeringMême sujetMaterials Engineering and ProcessingTravaux en français237 207