MétaCan
Menu
Retour à la cohorte
Enregistrement W4401869170 · doi:10.33758/mbi.v18i6.687

PENGARUH PENAMBAHAN CACAHAN PLASTIK PET (POLYTETHYLENE TEREPHTHALATE) PADA BETON MENGGUNAKAN AGREGAT KASAR BATU PETANGIS TERHADAP KUAT TEKAN

2024· article· id· W4401869170 sur OpenAlexaff
Fajriaty Achidah, Andi Marini Indriani, Gunaedy Utomo

Notice bibliographique

RevueMEDIA BINA ILMIAH · 2024
Typearticle
Langueid
DomaineEngineering
ThématiqueGeotechnical and construction materials studies
Établissements canadiensEncana (Canada)
Organismes subventionnairesnon disponible
Mots-clésMaterials science

Résumé

récupéré en direct d'OpenAlex

Limbah plastik merupakan limbah yang sangat sulit terurai, hal ini seringkali menimbulkan pencemaran lingkungan. Limbah plastik tersebut mempunyai berat yang ringan dan tidak mudah berubah bentuk. Ada banyak jenis plastik dari polyethylene, Salah satunya adalah PET (Polyethylene Terephthalate). Pada penelitian ini menggunakan jenis plastik PET (Polytethylene Terephthalate) dengan ukuran lebar 3mm dan panjang 5mm dengan benda uji terdiri dari 80 silinder, pengujian yang dilakukan menggunakan metode eksperimen dengan kuat tekan pada umur 7, 14, 21 dan 28 hari. Perencaan adukan beton menggunakan metode SK SNI 2384-2000 dan mutu beton yang direncanakan sebesar 14,53MPa. Hasil penelitian ini pada beton campuran PET (Polytethylene Terephthalate) dengan 60 sampel dengan variasi persentase PET (Polytethylene Terephthalate) 0,7%, 0,85% dan 1,0%. Kuat tekan tertinggi tercatat pada persentase PET 0,7% pada masa 28 hari dengan nilai sebesar 16,05 MPa dan kuat tekan terendah pada persentase PET 1,0% pada masa 28 hari dengan nilai sebesar 11,67 MPa. Kuat tekan semakin menurun dengan bertambahnya variasi plastik sebab bentuk permukaan batu plastik yang licin tidak mampu mengikat semen, ringannya plastik berpengaruh pada berat beton yang terus berkurang seiring banyaknya plastik didalam dan berkurangnya agregat batu Petangis. Berdasarkan hasil, maka penambahan PET terhadap kuat tekan beton tidak memiliki pengaruh yang baik

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,010
Score d'incertitude au seuil0,032

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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 Opus0,010
Tête enseignante GPT0,207
Écart entre enseignants0,197 · 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMEDIA BINA ILMIAHMême sujetGeotechnical and construction materials studiesTravaux en français237 207