MétaCan
Menu
Retour à la cohorte
Enregistrement W4318465286 · doi:10.3390/ma16031116

The Influence of Chemical Activity Models on the Description of Ion Transport through Micro-Structured Cementitious Materials

2023· article· en· W4318465286 sur OpenAlexaff
Krzysztof Szyszkiewicz-Warzecha, Grażyna Wilczek-Vera, Andrzej Lewenstam, Anna Górska, Jacek Tarasiuk, Robert Filipek

Notice bibliographique

RevueMaterials · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensMcGill University
Organismes subventionnairesNarodowym Centrum Nauki
Mots-clésCementitiousMaterials scienceNanotechnologyComposite materialCement

Résumé

récupéré en direct d'OpenAlex

The significance of ion activity in transport through a porous concrete material sample with steel rebar in its center and bathing solution is presented. For the first time, different conventions and models of ion activity are compared in their significance and influence on the ion fluxes. The study closes an interpretational gap between ion activity in a stand-alone (stagnant) electrolyte solution and ion transport (dynamic) through concrete pores. Ionic activity models developed in stationary systems, namely, the Debye–Hückel (DH), extended DH, Davies, Truesdell–Jones, and Pitzer models, were used for modeling the transport of ions driven through the activity gradient. The activities of ions are incorporated into a frame of the Nernst–Planck–Poisson (NPP) equations. Calculations were done with COMSOL software for a real concrete microstructure determined by X-ray computed tomography. The concentration profiles of four ions (Na+, Cl−, K+, OH−), the ionic strength, and the electric potential in mortar (with pores) and concrete samples (with aggregates and pores) are presented and compared. The Pitzer equation gave the most reliable results for all systems studied. The difference between the concentration profiles calculated with this equation and with the assumption of the ideality of the solution is negligible while the potential profiles are clearly distinguishable.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,389

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 Opus0,032
Tête enseignante GPT0,246
Écart entre enseignants0,214 · 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

Citations8
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetConcrete and Cement Materials ResearchTravaux en français237 207