Comparative Analysis of Pre and Post Mix Methods for Nano Silica Incorporation in Concrete: A Study on Mechanical Property Enhancement
Notice bibliographique
Résumé
In the paper, the integration of nanoparticles, particularly nano-silica, has emerged as a transformative force in enhancing material properties.This paper presents a detailed investigation that scrutinizes the impact of nanosilica on cement paste when introduced before or after the mixing process.By taking advantage of the filler effect of nano-sized particles, nano-silica has shown remarkable potential in increasing the compressive strength of cement paste, mortar, and concrete, leading to the development of denser and more resilient products.The results obtained from both pre-mix and post-mix samples reveal a trend of increasing strength up to a certain percentage of nano-silica incorporation, beyond which a slight decrease is observed.The study demonstrates that a nano-silica percentage of 3.5% yields optimal strength, with a subsequent decline in strength at higher incorporation levels.Moreover, the investigation highlights the superiority of post-mix samples in terms of strength gain, with notable improvements observed at 7, 14, and 28 days.The findings underscore the critical importance of the incorporation technique employed, with post-mix techniques showing enhanced strength gains compared to pre-mix methods.By studying the relationship between tiny particles of silica (called nano-silica) and materials used in cement production (called cementitious matrices), research aim to better understand how these materials interact and how they can be used to make stronger and more durable concrete structures, this study paves the way for innovative advancements in construction materials.It offers a compelling case for the strategic utilization of nano-silica to elevate the quality and durability of infrastructure projects.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 tête enseignante, 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 ».