Frost durability of cementitious materials: What’s next?
Notice bibliographique
Résumé
Frost durability, a critical parameter for concrete, especially in harsh exposure regions, has been extensively researched, with almost four thousand papers published since the 1970s. However, a systematic mapping of this research is yet to be explored. This paper presents a novel approach based on Natural Language Processing (NLP) and machine learning to semi-automatically analyze the existing literature on frost durability of cementitious materials. The aim is to identify research gaps and provide insights for future work, offering a comprehensive understanding of the freeze and thaw (FT) research area. Data sets containing academic abstracts on FT tests have been created, and the identified articles are topically structured using a latent Dirichlet allocation (LDA) topic modeling approach. The publication volume associated with each topic over time has been quantified, providing an overview of the research landscape. The results show that NLP and t-SNE effectively review large volumes of technical text data, identifying 12 dominant themes in FT research, such as mechanical properties and material composition. Over recent decades, there has been a shift from focusing on structural performance to emerging topics like cracking and Supplementary Cementitious Materials (SCMs). Additionally, t-SNE and K-means clustering revealed four main clusters, suggesting future research should focus on the FT durability of eco-friendly materials, accelerated testing, and enhanced FT durability materials. These findings not only facilitate the identification of gaps and opportunities for future work but also have practical implications for developing more durable and sustainable concrete. • NLP and t-SNE help review large volumes of technical text data on concrete frost durability. • Noted a shift in research focus from Canada and the US towards China and other countries. • Identified increasing focus on material composition, waste, and new binders, with a decline in air-entrainment research. • t-SNE and K-means clustering revealed four main research topic clusters. • Future research paths include eco-friendly materials, revision of accelerated testing, and enhanced FT durability methods.
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 | 0,006 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,013 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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.
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 ».