MétaCan
Menu
Retour à la cohorte
Enregistrement W2047091742 · doi:10.1175/jtech2006.1

Advancements in Techniques for Calibration and Characterization of In Situ Optical Particle Measuring Probes, and Applications to the FSSP-100 Probe

2007· article· en· W2047091742 sur OpenAlexaff
Dagmar Nagel, Uwe Maixner, W. Strapp, M. A. Wasey

Notice bibliographique

RevueJournal of Atmospheric and Oceanic Technology · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensEnvironment and Climate Change Canada
Organismes subventionnairesnon disponible
Mots-clésAirspeedCalibrationCharacterization (materials science)SizingSpectrometerOpticsParticle (ecology)Materials scienceScatteringPhysicsChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Advancements in techniques for the operational calibration and characterization of instrument performance of the Particle Measuring Systems, Inc. (PMS), forward scattering spectrometer probe (FSSP) and optical array probes (OAPs) are presented, which also can be used for most in situ particle-measuring optical probes on the market. These techniques include the determination of a distortion matrix to correct for instrumental broadening of the measured particle size distribution. A new version of a monodisperse droplet generator is introduced for absolute calibration in the size range between 10 and 100 μm. In addition, a high-speed technique was employed for the determination of airspeed influence on the sample volume and the sizing of particles. The calibration of a PMS FSSP with real water droplets may be significantly different from the usual calibration with glass beads. High-speed measurements simulate particles at speeds of up to about 250 m s−1. Particle undersizing and the decrease of the sample volume with increasing airspeed are described. The use of the modular tools, built for this work, is discussed for probe alignment, functionality checks, and general characterization and diagnostics both in laboratory and field environments.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,244
Score d'incertitude au seuil0,202

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,226
Écart entre enseignants0,216 · 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'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

Citations21
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Atmospheric and Oceanic TechnologyMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207