MétaCan
Menu
Retour à la cohorte
Enregistrement W4412755032 · doi:10.11159/iccste25.294

Synergic Effects of Corrosive Ions on Concrete and Nano Additives Situated in Nuclear Power Plants in Arid Climatic Conditions

2025· article· en· W4412755032 sur OpenAlexvenueno aff
Mohsina M. Sherief, Remilekun A. Shittu, Fatima AlHamadi, Ahmed M. Alkaabi, Akram Alfantazi

Notice bibliographique

RevueProceedings of the International Conference on Civil, Structural and Transportation Engineering · 2025
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGraphite, nuclear technology, radiation studies
Établissements canadiensnon disponible
Organismes subventionnairesKhalifa University of Science, Technology and Research
Mots-clésSituatedAridNano-Nuclear powerEnvironmental scienceIonPower (physics)Materials scienceComputer scienceGeologyPhysicsNuclear physicsComposite materialThermodynamicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

In arid climates, where temperatures, salt concentrations, and humidity levels are elevated, one significant issue is the increased risk of external sulfate attack (ESA) on the concrete.While the effects of ESA on concrete durability have been widely studied, this work introduces a new experimental approach to improve the understanding of the effects of temperature, thermal and humidity gradients, and sulfate-chloride, and sodium-magnesium interactions.To achieve our objective, both ordinary, SG, and nano-enhanced mortar beams and cubes are used.Samples are exposed to 10% w/v solutions for accelerated testing at room temperature or 50C.Preliminary findings indicate that chloride mitigates sulfate attack in early stages, but later accelerates sulfate attack, while magnesium delays expansion in the initial stages.Nano-infused samples show better resistance to corrosion when compared to other samples.Further investigation is recommended to elucidate the multiple ion interaction mechanisms and evaluate the performance of nano-infused samples under diverse exposure conditions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,860
Score d'incertitude au seuil0,341

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,006
Tête enseignante GPT0,216
Écart entre enseignants0,210 · 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 tête enseignante, 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

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference on Civil, Structural and Transportation EngineeringMême sujetGraphite, nuclear technology, radiation studiesTravaux en français237 207