MétaCan
Menu
Retour à la cohorte
Enregistrement W2201762467 · doi:10.7451/cbe.2015.57.3.13

Characterizing tortuous airflow paths in a grain bulk using smoke visualization.

2015· article· en· W2201762467 sur OpenAlexvenueno aff
Charles Nwaizu, Qiang Zhang

Notice bibliographique

RevueCanadian Biosystems Engineering · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueAerodynamics and Fluid Dynamics Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAirflowVisualizationSmokeMaterials scienceMechanicsComputer scienceEnvironmental scienceMeteorologyMechanical engineeringEngineeringPhysicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

An experiment was carried out to determine tortuosity and local velocity of airflow through a grain bulk (soybeans) by analyzing digital images of smoke-visualized airflow paths. A 27 × 25 × 2 cm rectangular box made of Plexiglas was used to simulate airflow in grain bins. Coloured smoke was introduced into the test box for flow visualization. Digital images recorded with a high speed camera were analyzed to track the smoke movement frame by frame, based on which airflow paths were constructed and tortuosity and airflow velocities were then determined. Three airflow rates (0.25, 0.45, and 0.60 L/s) and two bulk densities (632 and 755 kg/m3) were tested. The results showed that the tortuosity increased with both bulk density and airflow rate. This meant that tortuosity was not only a geometry-based property varying with the pore structure, but also dependent on flow rate. Tortuosity of the fastest paths was close to that of the shortest path at a lower flow rate. However, at the high flow rate, the tortuosity of the fastest path was close to that of the longest path. This implied that the shortest path was not always the fastest path inside a grain bulk.

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)0,000
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: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
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)0,0010,000

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 Opus0,025
Tête enseignante GPT0,236
Écart entre enseignants0,211 · 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

Citations9
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Biosystems EngineeringMême sujetAerodynamics and Fluid Dynamics ResearchTravaux en français237 207