MétaCan
Menu
Retour à la cohorte
Enregistrement W2083543544 · doi:10.5539/mas.v6n4p117

Effect of Moisture Content on Rubber, Steel and Tetrafluoroethylene Materials Sliding on Textured Soils

2012· article· en· W2083543544 sur OpenAlexvenueno aff
S. I. Manuwa

Notice bibliographique

RevueModern Applied Science · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueSoil Mechanics and Vehicle Dynamics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLoamSoil waterWater contentNatural rubberMaterials scienceGalvanizationMoistureGeotechnical engineeringEnvironmental scienceSoil scienceComposite materialGeologyLayer (electronics)

Résumé

récupéré en direct d'OpenAlex

There is the need to evaluate soil parameters of Nigerian soil that are necessary in the design of suitable and appropriate soil engaging implements. Laboratory investigations were carried out to evaluate angle of soil/material friction (or coefficient of soil/material friction) necessary in the design of soil-engaging implements. Facility used in the investigation was soil-material friction device or sliding shear apparatus. The soils investigated were loamy sand (IGLS), sandy loam (H3) and clay (H2) soils. The materials tested were rubber (RUB), steel (SST), galvanized steel (GAS) and Teflon (TEF). Results showed that coefficient of soil/material friction increased with moisture content to a maximum and thereafter decreased. The value ranged from 0.13 to 0.85 in the three soil textures and the trend can be described by polynomial equations for the purpose of prediction. Rubber had the highest coefficient of soil/interface friction while Teflon had the least.

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)0,001
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 enseignants0,152
Score d'incertitude au seuil0,594

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,014
Tête enseignante GPT0,226
Écart entre enseignants0,212 · 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

Citations2
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetSoil Mechanics and Vehicle DynamicsTravaux en français237 207