MétaCan
Menu
Retour à la cohorte
Enregistrement W1967896665 · doi:10.1088/2043-6262/5/3/035010

A fluid density sensor based on a resonant tube

2014· article· en· W1967896665 sur OpenAlexfundno aff
Yong Zhu, Dzung Viet Dao, Peter Woodfield

Notice bibliographique

RevueAdvances in Natural Sciences Nanoscience and Nanotechnology · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Capillary Electrophoresis Applications
Établissements canadiensnon disponible
Organismes subventionnairesSimon Fraser UniversityGriffith University
Mots-clésResonance (particle physics)Tube (container)Materials scienceAcousticsLow frequencySample (material)Frequency shiftComputer scienceOpticsPhysicsTelecommunicationsComposite materialAtomic physics

Résumé

récupéré en direct d'OpenAlex

A fluid density sensor based on resonance frequency change of a metallic tube is presented. The sensor has been developed without using a complex micro-fabrication process. The sensor is able to identify fluid types/contaminations and improve the performance by reducing testing time, decreasing complexity of testing equipment and reducing sample sizes. The sensor can measure the resonance frequency of its own structure and determine the change in resonance frequency due to the subsequent sample inside the tube. Numerical modelling, analytical modelling and physical testing of a prototype sensor showed comparable results for both the magnitude and resonance frequency shift. The modelling results yielded a resonance frequency shift of 200 Hz from 9.87 kHz to 9.67 kHz after the water was filled into the tube. The actual testing illustrated a resonance frequency change of 280 Hz from 9.11 kHz to 8.83 kHz. The ultimate aim of the work is to determine resonance frequencies of desired samples at a level that could detect genetic disease on a cellular level.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,004
Tête enseignante GPT0,216
Écart entre enseignants0,213 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations1
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in Natural Sciences Nanoscience and NanotechnologyMême sujetMicrofluidic and Capillary Electrophoresis ApplicationsTravaux en français237 207