MétaCan
Menu
Back to cohort
Record W7017917654

Characterisation of pyrrhotite-bearing concrete aggregates using conventional techniques in combination with SEM-based Automated Mineralogy

2021· dissertation· no· W7017917654 on OpenAlexaboutno aff

Bibliographic record

VenueDuo Research Archive (University of Oslo) · 2021
Typedissertation
Languageno
FieldBiochemistry, Genetics and Molecular Biology
TopicCell Image Analysis Techniques
Canadian institutionsnot available
Fundersnot available
KeywordsBauxiteMining industryPozzolanic activity
DOInot available

Abstract

fetched live from OpenAlex

Magnetkis i betongtilslag har fått økt oppmerksomhet de siste årene grunnet potensielt skadelige effekter på betongs bestandighet. Deler av overskuddsmassene fra tunnelbyggingen ved Follobanen var tiltenkt å gjenbrukes i betongsegmenter, men ble avvist til dette formålet som følge av indikasjoner på magnetkis og overskridende svovelverdier. I Trois-Rivières, Canada, har mer enn 1000 betongfundamenter blitt utsatt for omfattende skader som følge av høyt sulfidinnhold, spesielt i form av magnetkis. Ifølge Norsk standard for betongtilslag NS-EN12620, senkes den opprinnelige grenseverdien for svovel fra 1 wt% til 0,1 wt% dersom det foreligger indikasjoner på magnetkis i tilslaget. Påvisning av magnetkis i betongtilslag er ofte forbundet med stor usikkerhet på grunn av de små mengdene som kan være tilstede og vanskeligheter med å skille mineralet fra svovelkis (pyritt). \n\nDenne oppgaven presenterer karakterisering av betongtilslag fra Follobanetunnelen og en tilslagsprodusent i Trois-Rivières, utført ved hjelp av LECO-analyse for totalt svovelinnhold, XRF, XRD, DTA, optisk mikroskopi, EPMA og SEM-basert Automatisk Mineralogisk (AM) analyse. De ulike metodenes egnethet og evne til å bestemme svovelinnhold og detektere magnetkis er videre evaluert og sammenlignet. Ifølge AM-analyse inneholder tilslaget fra Follobanen gjennomsnittlig 0,172 wt% svovelkis, 0,009 wt% kobberkis og 0,006 wt% magnetkis. DTA indikerer svovelkis og magnetkis i alle prøvene fra Follobanen, men gir ingen informasjon om mengdeforholdet. Sulfidinnholdet i tilslaget fra Trois-Rivières består gjennomsnittlig av 0,604 wt% magnetkis, 0,596 wt% svovelkis, 0,136 wt% pentlanditt og 0,061 wt% kobberkis. Magnetkisen i dette tilslaget er betydelig forvitret, mens svovelkisen fremstår uforvitret. Ettersom de finere fraksjoner (0,045/1mm) inneholder mer frimalt og oksidert magnetkis enn de grovere fraksjonene (>1mm), tyder det på at magnetkis-holdig betongtilslag i fraksjoner <1mm er mest skadelig ved bruk i betong. Mineraloppskriften som gir mest optimal kvantifisering av magnetkis og svovelkis med AM-analyse er basert på jerninnhold henholdsvis over eller under 58 wt%. \n\nOppgaven viser at AM-analyse på prøver av knust tilslag antakelig er den beste måten for påvisning og kvantifisering av magnetkis i små mengder. En svakhet med dagens testregime er at påvisning av magnetkis kun skal foregå med DTA, uten noen form for verifikasjon. Dette er uheldig ettersom DTA ofte ikke gir entydige svar på om tilslag med lavt totalt sulfidinnhold består av svovelkis, magnetkis eller begge mineraler. Implementering av AM-analyse i NS-EN12620 vil gi et bedre beslutningsgrunnlag for hvorvidt tilslag med lavt sulfidinnhold og usikre påvisninger fra DTA, skal tillates for bruk i betong. Det er svært ugunstig dersom gode tilslagsforekomster blir avvist for bruk i betong som følge av unøyaktige testmetoder. Samtidig er korrekt påvisning av magnetkis helt avgjørende for å unngå store skader i betongfundamenter.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: none
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.003
Threshold uncertainty score0.007

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0010.000
Science and technology studies0.0000.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0020.001

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.

Opus teacher head0.018
GPT teacher head0.291
Teacher spread0.273 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2021
Admission routes1
Has abstractyes

Explore more

Same venueDuo Research Archive (University of Oslo)Same topicCell Image Analysis TechniquesFrench-language works237,207