Calculating the conductivity of natural waters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An algorithm is developed to compute the conductivity of lake and dilute ocean water from measured chemical composition at arbitrary temperature and pressure. The complex mixed electrolyte is considered as a sum of binary electrolytes rather than a sum of ions. Effects of ion association are included, and it is found that pairing effects are important in natural freshwaters. Bounds on the accuracy of the algorithm for specific classes of binary electrolytes are assessed and it is estimated that the algorithm has an overall accuracy of better than 2% for salinities less than about 4 g L −1 . Comparison with seawater conductivities is much better than 1%, but predicted conductivities of some published analyses of river waters are about 3% too high. Some of this difference may be due to a lack of data on ion pairing effects between bivalent metals and bicarbonate, but also may result from uncertainties in the measured chemical composition and measured conductivity. An iterative procedure incorporating this algorithm is used to compute reference conductivity at 25°C and salinity from in situ measurements of conductivity in waters where only relative amounts of ions are known. It is found that the conversion to reference conductivity is reasonably independent (to within about 1%) of the ionic composition for most world river waters, but is somewhat different than that for KCl solutions. However, derived salinities are quite sensitive to the composition, and the ratio of ionic salinity to reference conductivity varies between 0.6 and 0.9 mg L −1 (µS cm −1 ) −1 .
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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