MétaCan
Menu
Retour à la cohorte
Enregistrement W4410500560 · doi:10.3390/min15050538

The Utilization of Slag, Steel Slag, and Desulfurization Gypsum as Binder Systems in UHPC with Iron Tailings and Steel Fibers—A Review

2025· article· en· W4410500560 sur OpenAlexaff
Hocine Heraiz, Jiajie Li, Dongdong Zhang, Yabo Hu, Xinli Mu, Amer Baras, Jinhai Liu, Wen Ni, Michael Hitch

Notice bibliographique

RevueMinerals · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueTailings Management and Properties
Établissements canadiensUniversity of the Fraser Valley
Organismes subventionnairesHigher Education Discipline Innovation ProjectNational Social Science Fund of ChinaNational Office for Philosophy and Social Sciences
Mots-clésFlue-gas desulfurizationTailingsSlag (welding)GypsumMetallurgyMaterials scienceSteelmakingGround granulated blast-furnace slagWaste managementCementEngineering

Résumé

récupéré en direct d'OpenAlex

Ultra-high-performance concrete (UHPC) is known for its outstanding strength and durability but is often limited by the high cost of traditional materials, like cement, fine aggregates, and silica fume. This review examines the use of industrial by-products—specifically, iron tailings, steel slag, and desulfurization gypsum—as sustainable alternatives in UHPC mix design. These materials serve as supplementary cementitious components and fine aggregates, helping reduce environmental impacts and production costs. This study highlights the synergistic hydration mechanisms between Portland cement and waste-based materials, leading to improved microstructure and long-term strength. The role of steel fibers in enhancing crack resistance is also discussed. Challenges related to workability, cost, and lack of standardization are addressed, along with opportunities for innovative mix designs, low-carbon binders, and 3D printing. Overall, this paper underscores the potential of industrial by-products to advance sustainable, high-performance UHPC solutions.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,014
Tête enseignante GPT0,226
Écart entre enseignants0,212 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMineralsMême sujetTailings Management and PropertiesTravaux en français237 207