MétaCan
Menu
Retour à la cohorte
Enregistrement W1596705614 · doi:10.3968/j.ans.1715787020120501.1015

Evaluation of Soil/Material Interface Friction and Adhesion of Akure Sandy Clay Loam Soils in Southwestern Nigeria

2012· article· en· W1596705614 sur OpenAlexvenueno aff
S. I. Manuwa

Notice bibliographique

RevueAdvances in natural science/Advances in natural sciences · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueSoil Mechanics and Vehicle Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLoamSoil waterGeotechnical engineeringGalvanizationWater contentNatural rubberFriction angleMaterials scienceEnvironmental scienceSoil scienceEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

There is the need to develop appropriate and efficient soil engaging tools and implements to optimize energy required to cultivate the land and enhance agricultural productivity and sustainability in Nigeria. Necessary design data which were hitherto scarce for Nigerian soils are therefore required to accomplish the task effectively. Laboratory investigations were carried out to evaluate angle of soil/material friction and coefficient of soil/ material friction necessary in the design of soil-engaging tools and implements. Facilities used in the investigation include soil-material friction device or sliding shear apparatus. Three types of soil investigated were sandy clay loam soils. The structural materials’ surfaces investigated were rubber (RUB), steel (SST), galvanized steel (GAS) and Teflon (TEF). Results show that the coefficient of soil/material friction increased with moisture content to a limit and thereafter decreased. For the materials tested the range was 0.13 - 0.85 in the three soil textures and can be described by polynomial equations for the purpose of prediction. Rubber had the highest coeffi cient of soil/ interface friction followed by smooth steel, galvanized steel, while Tefl on had the least in that order. Key words : Soil; Coeffi cient of friction; Materials; Soil/ tool interface; Adhesion; Models

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,608
Score d'incertitude au seuil0,824

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,005
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,301
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in natural science/Advances in natural sciencesMême sujetSoil Mechanics and Vehicle DynamicsTravaux en français237 207