Cupola slag is a waste material of the steel and iron industries. Its composition is determined by the cupola furnace and other elements used in steel and iron manufacturing. This paper investigates the characterization behavior of various cupola slag materials. As a result, x-ray fluorescence (XRF), x-ray diffraction (XRD), thermogravimetry differential thermal analysis, and scanning electron microscopy (SEM) methods were used to characterize three cupola slag samples from distinct origins. In addition, various physical properties were used to compare different cupola slags. The specific gravity values of CS-1 (cupola slag-1 sample), CS-2 (cupola slag-2 sample), and CS-3 (cupola slag-3 sample) are 1.36, 2.5, and 2.917, respectively. The density and water absorption for CS-1, CS-2, and CS-3 are 1414.86, 1477.71, and 1796 kg/m3, and 0.37%, 0.32%, and 0.26%, respectively. Cupola slag also includes a larger percentage of lime, according to XRF data, which contributes to its improved binding characteristics. A higher calcium oxide content in CS-3 could facilitate the pozzolanic process. The presence of angular particles that aid in material binding is seen in the SEM image. Compounds with a nanostructure are then flawlessly blended into the mixture and grouped with calcium alumina silicates formed by cement hydration. The XRD pattern of cupola slag exhibits high peaks, indicating that the material is crystalline in character and can be utilized as sand. It also shows the presence of other chemical compounds, such as silica, which ranges from 30% to 45%. CS-1 and CS-2 have comparable XRD patterns. However, CS-3 has a somewhat different pattern because of the greater CaO content. Weight loss begins at higher temperatures, which shows that the material is stable at higher temperatures, according to a thermo-gravimetric study. The differential thermal analysis curve of CS-3 indicates that the material remains stable up to a temperature of 600 °C. The physical characteristics of all cupola slag samples show that cupola slag may be utilized to make sustainable building materials because of its lower specific gravity, density, and water absorption.

Medical image analysis requires liver segmentation for liver disease detection and treatment. Deep learning approaches, particularly liver segmentation, have demonstrated astounding effectiveness in a variety of medical imaging applications. Using the U-Net architecture, a well-liked and successful deep learning model for semantic segmentation, a liver segmentation approach is suggested in this study. This approach uses 3D abdominal CT images with liver regions identified. The U-Net model collects local and global contextual data via skip links and an encoder-decoder network. Supervised learning and data augmentation are used to develop the network's generalization ability. Intensity normalization, voxel resampling, and image cropping were used to enhance liver segmentation by improving input data quality and consistency. Post-processing approaches like linked component analysis and morphology improved segmentation results and eliminated false positives. A separate test dataset and conventional assessment criteria as DSC, sensitivity, and specificity were employed to evaluate our liver segmentation approach. A Dice score of 0.9287 indicates a 92.87% overlap between the sets. This is a good result since the segmentation or comparison approach identified and aligned the matching regions in the sets. Train dice loss, train metric dice, test dice loss, test metric dice and mean dice are found to be 0.0223, 0.9733, 0.289, 0.782, and 0.9287 respectively. Lab results reveal that the current liver segmentation approach is accurate and resilient. Comparing present strategy to other cutting-edge liver segmentation methods shows its competitiveness. In conclusion, this study proposes a liver segmentation method based on the U-Net architecture that successfully tackles the difficulties in precisely distinguishing the liver from abdominal CT scans. The suggested method has produced encouraging results, demonstrating its potential for clinical uses in the diagnosis of liver disease, surgical planning, and therapy monitoring.