MétaCan
Menu
← Retour à la cohorte
Enregistrement W6947795998 · doi:10.4224/40003155

Low-carbon concrete: sustainable performance at an affordable price

2023· report· en· W6947795998 sur OpenAlexaffvenueabout

Notice bibliographique

RevueNPARC · 2023
Typereport
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBioinformatics and Genomic Networks
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésGreenhouse gasCarbon footprintProcurementProcess (computing)Construction industryGovernment (linguistics)White paperClimate change

Résumé

récupéré en direct d'OpenAlex

The Canadian Government has set ambitious targets to reduce GHG emissions by 2025 and achieve net-zero emissions by 2050 to address the climate crisis. The construction industry must undergo a significant decarbonization process to help mitigate the climate crisis. This white paper provides information on general approaches that have been well-known or widely used in lowering the embodied carbon of concrete materials, as well as cost, without compromising performance or safety. It addressed some common perceived risks of using low-carbon concrete and discussed how current standards support low-carbon concrete materials in construction projects. Understanding that great efforts are being undertaken globally in developing low-carbon concrete, which is a fast-evolving area and critical to reducing GHG emissions in the construction sector, it is not the intention of the paper to discuss the new, emerging and promising innovations. This white paper seeks to facilitate the procurement and implementation of concrete in construction projects across Canada that has lower embodied carbon, based on the evidence of the existing technologies and approaches that are widely accepted but may not have been seen as the low-carbon strategies among the concrete and structure engineers’ communities. By increasing the use of low-carbon concrete, we can help reduce the construction industry's carbon footprint and move towards a more sustainable future.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
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: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,510
Score d'incertitude au seuil0,986

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,003
Études des sciences et des technologies0,0020,001
Communication savante0,0050,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0250,010

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 Opus0,017
Tête enseignante GPT0,259
Écart entre enseignants0,242 · 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
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

Citations0
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNPARC→Même sujetBioinformatics and Genomic Networks→Travaux en français237 207→