PENGARUH VARIASI JENIS MATERIAL FILLER PADA CAMPURAN ASPAL BETON TERHADAP PARAMETER MARSHALL
Notice bibliographique
Résumé
Berdasarkan hasil penelitian yang telah dilakukan di Laboratorium Teknik Sipil yangbertempat di Bukit Indah, maka Kadar Aspal Optimum (KAO) yang digunakan adalah 6,5%untuk campuran aspal beton AC-WC dengan menggunakan abu sekam padi, serbuk kaca danbatu apung sebagai bahan filler modifikasi pengganti filler standar menurut spesifikasiDepkimpraswil (2002). Dari hasil pengujian parameter Marshall menunjukkan bahwapenggunaan batu apung dapat menghasilkan nilai stabilitas tertinggi yaitu 855 kg dari padapenggunaan abu sekam padi dengan hasil 845 dan serbuk kaca yang menghasilkan 830, untuknilai flow tertinggi pada penggunaan serbuk kaca yaitu 3,65 mm. Sedangkan nilai MQ tertinggidihasilkan pada penggunaan abu sekam padi yang mampu menghasilkan nilai MQ 270kg/mm. Penggunaan abu sekam padi, serbuk kaca dan batu apung dapat digunakan untukmenggantikan filler standar dalam campuran aspal beton AC-WC menurut SpesifikasiDepartemen Permukiman Prasarana Wilayah 2002.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».