Adhérence des réparations en béton: évaluation et facteurs d'influence
Bibliographic record
Abstract
La réparation et le renforcement des structures existantes en béton comptent parmi les plus importants défis auxquels les ingénieurs civils sont confrontés aujourd’hui et qu’ils devront relever dans les années à venir. Les préoccupations actuelles concernant le développement durable favorisent la réfection au détriment de la construction neuve et ne peuvent que renforcer cette tendance. Des efforts concertés de la part des scientifiques et ingénieurs sont encore nécessaires afin d’améliorer la conception des réparations en béton et d’en assurer la qualité et la fiabilité attendues. L’un des aspects essentiels de la durabilité des réparations en béton et des revêtements ou traitements de surface est la qualité de l’adhérence entre le matériau de réparation et le béton existant. Le présent article résume les principales conclusions de travaux réalisés en collaboration en vue d’identifier les facteurs influençant l’adhérence des réparations (la rugosité, le degré de saturation et la carbonatation du substrat) et l’évaluation de celle-ci en conditions in situ (type de chargement, alignement de l’appareil). Sur la base des résultats recueillis, des recommandations concernant la préparation de la surface avant réparation ont été émises dans un guide du USBR aux États-Unis.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.015 | 0.027 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".