Optimización del diseño de mezclas de concreto de alto desempeño utilizando materiales de procedencia nacional
Bibliographic record
Abstract
El presente proyecto busca investigar un método de diseño de mezcla para fabricar concreto de alto desempeño que permita construir estructuras cada vez más desafiantes tales como edificios de gran altura, puentes de grandes luces, túneles, etc. El método en el que se basa la investigación es el que propone el profesor Pierre Claude Aitcin de la Universidad de Sherbrooke en Quebec, Canadá, el cual parte con un parámetro nuevo que no se toma en cuenta en los diseños convencionales de concreto: el punto de saturación del aditivo. Este valor, que se obtiene a través de pruebas que se detallarán en el tratado, nos permitirá elegir el aditivo que genere mejor dispersión en una pasta de cemento y las cantidades aproximadas de los componentes de la mezcla. Después se elegirá por criterio de desempeño cuales son los componentes adecuados para nuestros fines. También se realizarán pruebas con materiales cementicios suplementarios a fin de mejorar las propiedades del concreto y también para reducir las cantidades de cemento a usar en el diseño. Se usaran como indicadores de desempeño las recomendaciones y exigencias del ACI 237R-07 “Self - Consolidating Concrete” y la norma europea EFNARC “Especificaciones y Directrices para el Hormigón Autocompactable - HAC”. Después se realizará un análisis costo - beneficio de los concretos especializados, para finalmente mostrar conclusiones y recomendaciones obtenidas de la experiencia.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
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.
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".