Rheological, Fresh State, and Strength Characteristics of Alkali-Activated Mortars Incorporating MgO and Carbon Nanoparticles
Notice bibliographique
Résumé
This study presents a comprehensive assessment of the fresh state, rheological, and mechanical properties of alkali-activated mortars (AAMs) developed by incorporating magnesium oxide (MgO) and nanomaterials. A total of 24 AAM mixes with varying content of MgO, multi-walled carbon nanotube (MWCNT), and reduced graphene oxide (rGO) were developed following the one-part dry mix technique using powder-based activators/reagents. The effects of the types/combinations of source materials (binary or ternary)/reagents, MgO (0 to 5%), MWCNT (0 to 0.6%), and rGO (0 to 0.6%) were evaluated in terms of the mini-slump flow, setting times, viscosity, yield stress, compressive strength, ultrasonic pulse velocity (UPV), and microstructural properties. The results showed that the addition of finer MgO/nano-fillers produced a higher viscosity and yield stress accompanied by a lower slump flow and setting times. The addition of 5% MgO resulted in the lowest slump flow of 80 mm, 2-2.5 times higher viscosity, and the reduction in the initial and final setting times of about 21% and 16%, respectively. Mixes with MWCNT showed about 5-10% higher viscosity whereas for mixes with rGO, the values were noted to be 8% higher, on average, than the mixes with no MWCNT or rGO. All the developed AAMs exhibited shear-thinning behavior. The 28-day compressive strength of the AAMs ranged from 37 MPa to 49 MPa with 5% MgO and up to a 0.3% MWCNT/rGO addition increased the compressive strength. Correlations among the fresh state, rheological, and mechanical properties such as the viscosity, slump flow, setting time, compressive strength, and UPV are also described.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».