Optimization of Fly Ash—Slag One-Part Geopolymers with Improved Properties
Notice bibliographique
Résumé
One-part geopolymer concrete/mortar is a pre-mixed material made from industrial by-products and solid alkaline activators that only requires the addition of water for activation. Apart from being environmentally friendly, it also reduces complexity and improves consistency in the mixing process, leading to more efficient production and consistent material properties. However, developing one-part geopolymer concrete with desirable compressive strength is challenging because of the complexity of the chemical reaction involved, the variability of the raw materials used, and the need for precise control of curing conditions. Therefore, 80 different one-part geopolymer mixtures were compiled from the open literature in this study, and the effects of the constituent materials, the dosage of alkaline activators, curing condition, and water/binder ratio on the 28-day compressive strength of one-part geopolymer paste were examined in detail. An ANN model with the Levenberg–Marquardt algorithm was developed to estimate one-part geopolymer’s compressive strength and its sensitivity to binder constituents and alkaline dosage. The ANN model’s weights and biases were also used to develop a CPLEX-based optimization method for achieving maximum compressive strength. The results confirm that the compressive strength of one-part geopolymer pastes increased by increasing the Na2O content of the alkaline source and the slag dosage; however, increasing the Na2O content in alkaline sources beyond 6% by fly ash weight led to decreasing the compressive strength; therefore, the optimum alkaline activator dosage by weight of fly ash was to be 12% (i.e., 6% Na2O). The proposed ANN model developed in this study can aid in the production and performance tuning of sustainable one-part geopolymer concrete and mortar for broader full-scale applications.
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 ».