Multi-property response and optimisation of lightweight self-consolidating mortar containing silica fume and nano silica
Notice bibliographique
Résumé
This article aims to investigate and optimise the properties of lightweight self-consolidating mortar (LSCM) by using the response surface method (RSM). Silica fume (SF), nano silica (NS), water-cement ratio (W/C) and superplasticiser (SP) were chosen as variables. Also, part of the aggregates was replaced with lightweight expanded clay aggregate (LECA). Due to the advantages of RSM in accommodating multi-response optimisation of LSCM properties, the investigation and analysis were carried out for the stability, segregation and compressive strength. The optimised results recommended acceptable ranges of the required rheological and hardened criteria for LSCM. The mixtures achieved in these ranges include an LSCM with sufficient stability and low segregation. In particular, the results showed that the ultimate segregation must be < 8% for structural concrete. In addition, the results proved that increasing the fraction of NS and SF improves the properties of the LSCM by reducing the segregation and increasing the stability and compressive strength. It was found that adding 6% of NS at a high W/C ratio decreased the segregation by at least 15%. Adding 6% NS and %SF to LSCM within 0.5 W/C increased the compressive strength up to 15.1 MPa for the former and 3.8 MPa for the latter.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».