Optimization of service life design of concrete infrastructures in corrosive environments under a changing climate
Notice bibliographique
Résumé
The risk of failure of concrete infrastructures built in corrosive environments is increasing due to use of deicing salts, increased loads, inadequate maintenance and increased rate of deterioration due to climate change. Climate change leads to an increase in temperatures, which in turn leads to an increase in chloride diffusivity and rate of corrosion that yield an increase in probability of corrosion of reinforcing steel, concrete damage and a shortening of service life of concrete structures. The impact of temperature rise due to climate change on diffusivity is modeled using the Arrhenius relationship. Uncertainties in the parameters governing the service life, such as concrete cover depth, chloride threshold, chloride diffusion coefficient, surface chloride content are considered by modeling them as random variables. The optimum service life of concrete structures can be defined as the time at which the probability of corrosion reaches an acceptable value for different types of concrete, reinforcing steel and concrete cover depths. The time-dependent probability of corrosion of reinforcing steel embedded in concrete structures is formulated as a nonlinear optimization problem that is solved by the projected Lagrangian algorithm. The example of a concrete bridge deck is used to illustrate that the timedependent probability of corrosion increases with temperature by 37% and 77% for life cycle temperature rises of 3◦C and 6◦C, respectively compared to the reference case at 23◦C. To reduce this probability of corrosion, corrosion-resistant steel reinforcement, high performance or/and higher concrete cover depth can be used. For the case of bridge decks reinforced with corrosion-resistant steel, the corrosion probability is reduced by half after 40 years compared to that associated with black steel for the climate scenario with 6◦C temperature rise. The final selection of an optimal design should take into account the life cycle costs incurred during the service life or life cycle of concrete infrastructures.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».