MétaCan
Menu
Retour à la cohorte
Enregistrement W2164950955 · doi:10.1017/s1431927612014316

Measurement of Palladium Crust Thickness on Catalysts by Optical Microscopy and Image Analysis

2013· article· en· W2164950955 sur OpenAlexaff
Loïc Sorbier, Anne‐Sophie Gay, Antoine Fécant, Maxime Moreaud, Nicolas Brodusch

Notice bibliographique

RevueMicroscopy and Microanalysis · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueMedical Image Segmentation Techniques
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésPalladiumMaterials scienceMicroscopyCatalysisOptical microscopeCrustOpticsGeologyChemistryComposite materialScanning electron microscopePhysicsGeochemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Selective hydrogenation is an important process in petrochemistry to purify feedstock for polymer synthesis. For this process, catalysts containing metallic palladium deposited with an eggshell distribution on porous alumina are usually employed. For this kind of catalyst, the activity is known to be in close relation with the thickness of the palladium crust. As palladium oxide is brown and alumina is white, the palladium distribution in a catalyst bead before the reduction step can be characterized by optical microscopy. We propose an original and automatic procedure of optical image analysis to obtain a fast and robust method to measure the mean crust thickness of a catalyst batch and the corresponding standard deviation. The approach is validated by two different methods. First, we compared the crust thickness with those obtained by electron probe microanalysis. Then, catalytic tests of four samples with varying palladium crust thicknesses were performed and confirmed the expected correlation between activity and crust thickness measured by optical microscopy coupled with image analysis.

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)0,001
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: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,010
Tête enseignante GPT0,272
Écart entre enseignants0,262 · 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
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMicroscopy and MicroanalysisMême sujetMedical Image Segmentation TechniquesTravaux en français237 207