PENGARUH SULFAT DALAM AIR TANAH SEBAGAI AIR CAMPURAN TERHADAP KUAT TEKAN BETON DENGAN NILAI FAS 0,65
Bibliographic record
Abstract
Kuat tekan beton dipengaruhi oleh unsur-unsur pembentuk beton, salah satunya adalah air yang berfungsi sebagai pemicu proses kimiawi semen sebagai bahan perekat dan melumasi agregat supaya mudah dikerjakan. Proses kimiawi semen dan kuat tekan beton sangat tergantung dari kandungan yang terdapat dalam air campuran. Penelitian ini dilakukan untuk melihat pengaruh kandungan sulfat dalam air tanah yang digunakan untuk campuran beton terhadap kuat tekan. Metode penelitian ini adalah eksperimental, yaitu mengambil beberapa sampel air tanah yang terdapat di wilayah pesisir Kabupaten Bireuen untuk diuji kandungan kimianya. Air tanah tersebut kemudian digunakan untuk campuran beton dengan faktor air semen (FAS) 0,65. Uji kuat tekan beton dilakukan pada umur 3, 7, 14 dan 28 hari. Hasil penelitian menunjukkan bahwa ion sulfat yang terkandung dalam air campuran beton berpengaruh negatif terhadap kuat tekan beton. Sehingga, semakin besar kadar kandungan sulfat dalam air campuran maka kuat tekan beton semakin kecil. Air campuran beton yang mengandung ion sulfat juga memperlambat proses hidrasi dan perkerasan beton sesuai dengan konsentrasi kadar kandungan sulfatnya.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".