Comprehensive review on alkaline dissolution of aluminosilicates and its role in the mechanisms and properties of geopolymers and alkali-activated materials
Notice bibliographique
Résumé
Using industrial by-products as a source of aluminosilicate precursors (APs) for alkali-activated materials (AAMs) and geopolymers synthesis offers a valuable solution for managing increasing waste streams and reducing landfill reliance. Nevertheless, to successfully convert diverse APs into materials with consistent performance at an industrial scale, unified dissolution and testing methods for evaluating geopolymerization reactivity are essential. The dissolution kinetics of aluminosilicate minerals significantly influence the nanostructural evolution of geopolymeric materials, and consequently their final properties, by determining the composition and characteristics of the resulting hydrated phases. However, the primary factors governing alkali–aluminosilicate reactions are not yet fully understood. To this end, this review meticulously examines the theoretical and experimental mechanisms, as well as advanced simulation models used to elucidate geopolymerization. Additionally, it addresses the primary factors influencing the dissolution of aluminosilicate precursors in alkaline environments, including alkalinity, activator type and concentration, precursor fineness, impurities, leaching temperature, and contact time. The findings revealed that the dissolution of aluminosilicates critically influences the properties of geopolymeric materials. Consequently, understanding the initial dissolution behavior of Al, Si, and other elements in alkaline solution under varying conditions is essential for selecting appropriate precursors and tailoring the formulation of geopolymers and alkali‑activated binders for specific applications.
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 ».