Maximum likelihood estimation for parameters of chloride induced corrosion of concrete bridges
Bibliographic record
Abstract
La plupart des structures en béton qui existent aujourd'hui ont été construites il y a plus de 50 ans. Ces structures, en particulier les ponts sont soumis à différents processus de détérioration. À Montréal, les ponts sont principalement exposés aux sels de déglaçage durant l'hiver. Les sels de déglaçage sont l'une des principales sources de corrosion dans les armatures d'acier qui sont incorporés dans le béton. La corrosion provoque de graves dommages aux ponts et ces dommages requièrent des ressources important les réparer ou remplacer les ponts.. L'objectif principal de cette thèse est d'optimiser la modélisation de la pénétration des ions de chlorure dans le béton en fonction du temps à partir d'un modèle physique et de données obtetnues de carottes prélevées sur un ouvrage. Dans cette thèse, une méthodologie est développée et appliquée avec le modèle de transport d'ions de chlorure TransChlor®.Une des caractéristiques du modèle TransChlor est qu'il utilise les données climatiques pour déterminer la quantité de sel répandu et la pénétration des chlorures dans le béton. Le modèle est utilisé pour modé;iser un pont localisé à Montréal avec une vie de service de 45 ans. TransChlor Les principaux paramètres qui ont été étudiés sont le coefficients de diffusion hydrique, de capillairté et d'ions chlorure. Une approche statistique a été utilisée pour déterminer ces paramètres en fonction des concentrations mesurées sur des carottes de béton prélevées sur un pont en service. Les paramètres optimaux sont obtenus pour la pénétration des ions chlorures à 25 mm et à 50 mm de profondeur. Le coefficient de diffusion en capillarité domine pour les observations à 25 mm tandis que le coefficient de diffusion hydrique domine à 50 mm.Mots clés: TransChlor, Initiation de la corrosion, transport des ions chlorures, propirétés du béton, estimation statistique, deterioration des ponts.
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 | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| 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".