MétaCan
Menu
Retour à la cohorte
Enregistrement W4391025549 · doi:10.1680/jadcr.23.00195

Utilisation of local raw materials and mine waste to manufacture cement in the Northwest Territories, Canada

2024· article· en· W4391025549 sur OpenAlexaffabout
Guangping Huang, Jian Zhao, Gideon Lambiv Dzemua, Scott Cairns, Philippe Normandeau, Wei Victor Liu

Notice bibliographique

RevueAdvances in Cement Research · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensGovernment of Northwest TerritoriesUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCementTailingsRaw materialCarbon footprintPortland cementEnvironmental scienceWaste managementClinker (cement)Mining engineeringMetallurgyGeologyGreenhouse gasEngineeringMaterials science

Résumé

récupéré en direct d'OpenAlex

Currently, all the cement consumed in the Northwest Territories (NWT), Canada, is imported from other provinces (e.g. Alberta) by long-distance (∼1800 km) freight truck. Transporting cement over long distances not only raises its cost, but also results in a higher carbon footprint. Producing cement locally is therefore a potential low carbon and economic solution for the local industry. However, it is unknown if the local raw materials are suitable for cement manufacture, and there is a lack of a critical raw material – iron ore – for cement manufacturing. However, instead of iron ore, there are iron-rich tailings from a local rare earth element (REE) mine. Towards a low carbon and circular economy, the use of local raw materials (i.e. limestone, clay and gypsum) and mine waste (REE tailings) to manufacture cement in the NWT was explored and the first bag of cement in the history of the NWT was produced. Concrete samples made with the NWT cement achieved strength comparable to that of concrete based on commercial ordinary Portland cement. In addition, it was estimated that locally producing cement in the NWT has the potential to reduce carbon dioxide emissions by 3.0–61.7% as compared with importing cement from other provinces.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,575
Score d'incertitude au seuil0,783

Scores Codex et Gemma par catégorie

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

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 Opus0,021
Tête enseignante GPT0,314
Écart entre enseignants0,293 · 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 tête enseignante, 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

Citations5
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvances in Cement ResearchMême sujetConcrete and Cement Materials ResearchTravaux en français237 207