MétaCan
Menu
Retour à la cohorte
Enregistrement W4386256528 · doi:10.3390/pr11092590

Evaluation of Potential Factors Affecting Steel Slag Carbonation

2023· article· en· W4386256528 sur OpenAlexaff
Amer Baras, Jiajie Li, Wen Ni, Zahid Hussain, Michael Hitch

Notice bibliographique

RevueProcesses · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueCO2 Sequestration and Geologic Interactions
Établissements canadiensUniversity of the Fraser Valley
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesHebei Provincial Key Research ProjectsHigher Education Discipline Innovation ProjectNational Natural Science Foundation of China
Mots-clésCarbonationSteelmakingSlag (welding)MetallurgyMaterials scienceWaste managementGround granulated blast-furnace slagEnvironmental scienceCementComposite materialEngineering

Résumé

récupéré en direct d'OpenAlex

Steel slag is a solid waste product generated during the carbonation stage of steelmaking. It has high levels of heavy metals and substantial amounts of free calcium and magnesium oxide, making it unsuitable for use as a cement material. Furthermore, the disposal of steel slag in landfills requires many resources and can seriously contaminate the surrounding environment. One method of reducing its negative environmental impact is carbonation, which involves reacting steel slag with carbon dioxide to form stable minerals. However, many parameters influence the carbonation efficiency of steelmaking slag, including temperature, time, particle size, pressure, CO2 concentration, liquid-to-solid ratio, moisture content, humidity, additives, etc. To this end, this paper comprehensively reviews the most important steel slag carbonation-influencing factors. Moreover, it compares the characteristics from two perspectives based on their causes and effects on carbonation. Finally, this article reviews earlier studies to identify the factors that affect steel slag carbonation and the potential of carbonated steel slag as a sustainable construction material. Based on previous research, it systematically examines all the elements for future work that need to be improved.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,025

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
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
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 Opus0,047
Tête enseignante GPT0,316
Écart entre enseignants0,268 · 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

Citations70
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcessesMême sujetCO2 Sequestration and Geologic InteractionsTravaux en français237 207