MétaCan
Menu
Retour à la cohorte
Enregistrement W1976166326 · doi:10.13031/2013.37061

Technical Note: An Algorithm for the Detection of Steady-State Measurements of Gas Emissions From Compost

2011· article· en· W1976166326 sur OpenAlexaboutno aff
E. A. Phillip, O. Grant Clark

Notice bibliographique

RevueApplied Engineering in Agriculture · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAir Quality Monitoring and Forecasting
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCompostSteady state (chemistry)Environmental scienceAlgorithmWaste managementEngineeringComputer scienceChemistryPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

High concentrations of carbon monoxide (CO) have been observed in the enclosed composting facility at the Edmonton Waste Management Centre in Alberta, Canada. An elevated concentration of CO in the facility is a potential health threat to workers. Research was conducted to assess the temporal and spatial variability of CO emissions from the composting bays, using Fourier Transform Infrared spectroscopy. Repeated gas measurements of CO, CO2, and CH4 were taken above and inside the compost bed using a metal gas probe. The probe was connected to the FTIR gas analyzer, which continuously collected gas concentration data. The data collected using the FTIR resulted in a continuous time series of gas measurements, where the peaks in the data signal corresponded to gas measurements taken inside the compost, and valleys represented the gas measurements taken above the compost bed. This article describes the algorithm that was devised to determine the gas concentrations at each sampling location using the MATLAB programming environment. The algorithm was able to successfully identify the sampling locations from the continuous gas measurement data, and determine the average steady-state gas concentration above and inside of the composting bays for CO, CO2, and CH4.

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)0,001
score de la tête « metaresearch » (Gemma)0,008
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: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,007

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 Opus0,029
Tête enseignante GPT0,225
Écart entre enseignants0,196 · 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
GenreMéthodes

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

En bref

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Engineering in AgricultureMême sujetAir Quality Monitoring and ForecastingTravaux en français237 207