Use of Nanomaterials for Corrosion Protection of Steel Rebars in Concrete
Notice bibliographique
Résumé
The leading cause of deterioration in reinforced concrete structures is the corrosion of steel bars embedded in concrete in the aggressive environment. This includes carbonation of concrete due to high CO2 concentration, chloride rich regions such as in marine environments from the sea water or airborne chloride and the corrosive industrial zones. In the recent past, nano-materials have risen to lime-light as one of the promising class of materials providing good corrosion protection to reinforced concrete structures. This class of materials include nano-silica, nano-alumina, carbon nano-tubes, nano-clays, graphene oxide, nano-coatings, nano-inhibitors as well as nano-particles of metal oxides. The mechanism of action for these nano-materials depends on the type of material used. For instance, some may refine the pore structure of concrete and reduce the permeability of concrete. Others may enhance the interfacial transition zone between the steel reinforcement bars and concrete. All this helps to limit the ingress of harmful substances including moisture, chloride ions, carbon dioxide and oxygen. Yet some other types of nano-materials may provide a protective layer or barrier through absorption, adsorption or reaction with the steel rebar surface and/or improvement in the passive layer. Nanomaterials have a multi-functional role and may also improve the mechanical properties along with the improvement in corrosion related durability. They may also influence the electrical resistance and may provide a self-healing behavior as well. Despite all the advantages, some challenges remain to be overcome such as dispersion, long term effect, impact on environment, scale and cost-benefit ratio. 
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 | 0,028 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».