MétaCan
Menu
Retour à la cohorte
Enregistrement W2075380517 · doi:10.1504/ijat.2010.032837

Process design for reactive ion etching of silicones

2010· article· en· W2075380517 sur OpenAlexaff
Kevin Ou, Wen Wu, P. Ravi Selvaganapathy

Notice bibliographique

RevueInternational Journal of Abrasive Technology · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofabrication and Lithography Techniques
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésBox–Behnken designResponse surface methodologyMaterials scienceFactorial experimentFractional factorial designPlackett–Burman designPolydimethylsiloxaneEtching (microfabrication)Volumetric flow rateSurface roughnessDesign of experimentsCentral composite designAnalytical Chemistry (journal)SiliconeChemical engineeringComposite materialChromatographyMathematicsThermodynamicsChemistryStatistics

Résumé

récupéré en direct d'OpenAlex

In this paper, reactive ion etch process of silicone materials, specifically polydimethylsiloxane (PDMS), was characterised using Plackett-Burman fractional factorial and Box-Behnken response surface designs. These design of experiment techniques allow for efficient analysis of input parameters and their effects on response parameters. The Plackett-Burman design was used in screening for critical factors in eight experiments. RF power, pressure and flow rate of sulphur hexafluoride were determined as critical parameters. Oxygen and nitrogen gas composition in plasma had little positive effect on etch rate. The three-critical parameter, three-level Box-Behnken design produced 15 experiments. Based on the data obtained, the effects of critical parameters on the etch rate and surface roughness were studied. Response surface plots along with a second order polynomial were derived using statistical analysis software yielding an approximated model with R² = 99.53%.

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)0,001
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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,008
Tête enseignante GPT0,288
Écart entre enseignants0,280 · 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

Citations3
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Abrasive TechnologyMême sujetNanofabrication and Lithography TechniquesTravaux en français237 207