MétaCan
Menu
Retour à la cohorte
Enregistrement W4366416651 · doi:10.1002/bbb.2501

Production of bio‐based concrete water reducers from renewable resources: a review

2023· review· en· W4366416651 sur OpenAlexafffund
Anthony Tosan Johnson, Dennise Sosa, Rosa Arredondo, Hongwei Li, Zhongshun Yuan, Chunbao Xu

Notice bibliographique

RevueBiofuels Bioproducts and Biorefining · 2023
Typereview
Langueen
DomaineEnvironmental Science
ThématiqueMicrobial Applications in Construction Materials
Établissements canadiensWestern University
Organismes subventionnairesAgriculture and Agri-Food CanadaNatural Sciences and Engineering Research Council of Canada
Mots-clésDurabilityCementEnvironmental scienceRenewable resourceProperties of concreteRenewable energyConstruction industryWaste managementConstruction engineeringMaterials scienceEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract Concrete is a valuable construction material with high mechanical strength and durability, used extensively in the construction industry. It is produced by mixing sand, stones, cement, and water in different proportions depending on the desired quality of the final product. Water reducers are additional chemical ingredients used in concrete to reduce the quantity of water required in the concrete mixture. When added to concrete, water reducers increase the workability and flowability of concrete in the freshly mixed state and improve the mechanical strength and durability of the final hardened product. This review paper describes the different types and applications of concrete water reducers used in the construction industry including their working mechanisms and fluidity effects on concrete properties. It discusses the production of synthetic and bio‐based concrete water reducers and reviews the present challenges involved in the preparation of bio‐based concrete water reducers from renewable resources. © 2023 Society of Industrial Chemistry and John Wiley & Sons Ltd.

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,052
Tête enseignante GPT0,290
Écart entre enseignants0,238 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations19
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBiofuels Bioproducts and BiorefiningMême sujetMicrobial Applications in Construction MaterialsTravaux en français237 207