MétaCan
Menu
Retour à la cohorte
Enregistrement W2054795083 · doi:10.13031/2013.22243

Thermal Imaging of a Stored Grain Silo to Detect a Hot Spot

2006· article· en· W2054795083 sur OpenAlexfundno aff
Annamalai Manickavasagan, D. S. Jayas, N. D. G. White, Fu Jian

Notice bibliographique

RevueApplied Engineering in Agriculture · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueThermography and Photoacoustic Techniques
Établissements canadiensnon disponible
Organismes subventionnairesCanada Research Chairs
Mots-clésSiloHot spot (computer programming)BinMaterials scienceGrain sizeCold spotGalvanizationThermalComposite materialMeteorologyPhysicsMechanical engineering

Résumé

récupéré en direct d'OpenAlex

A hot spot is a localized high temperature zone in a grain bulk and normally spoilage begins in this location. Many sensors need to be installed throughout the bin to detect hot spots by measuring grain temperature. A non-contact method to detect a hot spot in a stored grain silo would be beneficial. The capability of thermal imaging to detect a hot spot in an experimental silo (galvanized steel, 1.5-m diameter and 1.5-m height) filled with barley was studied. An artificial heat source was placed at nine locations inside the grain bulk and set at four temperature levels (30C, 40C, 50C, and 60C) in each location. The outer surface of the silo wall and the top surface of the grain bulk were thermally imaged up to 48 h at each treatment (n = 3). The temperature of the top surface of the grain bulk was significantly (a = 0.05) higher (0.4C to 2.6C) than the atmospheric temperature after 48 h of hot spot establishment. The hot spot was detected from the thermal images of the silo wall and grain bulk (as a high temperature region) when it was located 0.3 m from the silo wall and 0.3 m below the grain surface, respectively. The hot spot was not detected on the thermal images of the silo wall when the wind velocities were 1.0, 1.5 and 2.0 m/s, and immediately after wind (n = 3). Similarly, thermal imaging did not detect the hot spot on the grain bulk when the ambient temperature was 1C (hot spot = 30C), and on silo wall when the ambient temperature was -8C (hot spot = 60C) (n = 3). The surface temperature of the grain bulk decreased with increasing moisture content. It was 25.8C, 24.3C, 23.4C, 22.8C, and 22.4C for the grains with 8%, 12%, 16%, 20%, and 24% moisture content, respectively, when the room temperature was 26C (n = 20). Thermal imaging can not be used as an independent method to monitor the grain temperature in a silo.

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)0,000
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: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,000

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,002
Tête enseignante GPT0,154
Écart entre enseignants0,152 · 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

Citations36
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueApplied Engineering in AgricultureMême sujetThermography and Photoacoustic TechniquesTravaux en français237 207