Measurement of Odor Intensity by an Electronic Nose
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The possibility of using electronic noses (ENs) to measure odor intensity was investigated in this study. Two commercially available ENs, an Aromascan A32S with conducting polymer sensors and an Alpha M.O.S. Fox 3000 with metal oxide sensors, as well as an experimental EN made of Taguchi-type tin oxide sensors, were used in the experiments. Odor intensity measurement by sensory analysis and EN sensor response were obtained for samples of odorous compounds (n-butanol, CH3COCH3, and C2H5SH) and for binary mixtures of odorous compounds (n-butanol and CH3COCH3). Linear regression analysis and artificial neural networks (ANN) were used to establish a relationship between odor intensity and EN sensor responses. The results, suggest that large differences in sensor response to samples of equivalent odor intensity exist and that sensitivity to odorous compounds varies according to the type of sensors. A linear relationship between odor intensity and averaged sensor response was found to be appropriate for the EN based on conducting polymer sensors with a correlation coefficient (r) of 0.94 between calculated and measured odor intensity. However, the linear regression approach was shown to be inadequate for both ENs, which included metal oxide-type sensors. Very strong correlation (r = 0.99) between measured odor intensity and calculated odor intensity using the ANN developed were obtained for both commercial ENs. A weaker correlation (r = 0.84) was found for the experimental instrument, suggesting an insufficient number of sensors and/or not enough diversity in sensor responses. The results demonstrated the ability of ENs to measure odor intensity associated with simple mixtures of odorous compounds and suggest that ANN are appropriate to model the relationship between odor intensity measurement and EN sensor response.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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