MétaCan
Menu
Retour à la cohorte
Enregistrement W2107872732 · doi:10.3968/j.ans.1715787020100302.015

Development of a Distribution System for Measuring Nozzle Integrative Parameters

2010· article· en· W2107872732 sur OpenAlexvenueno aff
Xinyu Xue, Jian Liang, Pingzeng Liu, Yubin Lan

Notice bibliographique

RevueAdvances in natural science/Advances in natural sciences · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Sensor Technologies Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNozzleData acquisitionSpray nozzleArtificial neural networkMicrocomputerImage processingSystem of measurementProcess (computing)Computer scienceEngineeringSimulationAcousticsMechanical engineeringArtificial intelligenceChipElectrical engineeringImage (mathematics)

Résumé

récupéré en direct d'OpenAlex

The experimental system used in this study was equipped with sensors and computer-controlled processing technology. This system was used in the measurement of major performance parameters such as pressure, flux, spray angle, spray distribution character of the nozzle and its integrative performance parameter. It could also achieve precise and synchronous measurements and process multiple parameters. Measuring position of a single nozzle was also available for three-dimensional adjustment by nozzle transmission frame. The boom could achieve two-dimensional precision adjustment. Fluid power supply system could ensure the accurate measurement of nozzle flow between 50~15000 ml/min. The control system consisted of a PC, a CCD image acquisition system, data acquisition cards, sensors, and single chip microcomputer. The spray angle was measured by image processing technique. Data fusion technology was used to improve the precise measurement of spray angle. Neural network technology was used to improve the precision and speed of the system. The results showed that it is promising for using this system for measuring nozzle integrative parameter. Keywords: Nozzle; performance test; image processing; and neural network

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)0,002
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,003
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,016
Tête enseignante GPT0,315
Écart entre enseignants0,299 · 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

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in natural science/Advances in natural sciencesMême sujetAdvanced Sensor Technologies ResearchTravaux en français237 207