MétaCan
Menu
Retour à la cohorte
Enregistrement W2229271634 · doi:10.5539/mas.v9n13p154

Development of a Depth Sensing Device and a Utility Software for a Dynamic Penetrometer

2015· article· en· W2229271634 sur OpenAlexvenueno aff
Sunchai Phungern, Kavalin Srichan, Visoot Verasan

Notice bibliographique

RevueModern Applied Science · 2015
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueSmart Agriculture and AI
Établissements canadiensnon disponible
Organismes subventionnairesKasetsart University
Mots-clésPenetrometerPenetration (warfare)Penetration depthMicrocontrollerComputer scienceComputer hardwareGeologyMathematicsPhysicsSoil scienceOptics

Résumé

récupéré en direct d'OpenAlex

A system for sensing depth of penetration of a dynamic penetrometer was developed. It contained an ultrasonic distance sensor working together with a microcontroller capable of sensing and recording distance of penetration and field data necessary for the construction of the penetration resistance (PR) profile. The system was equipped to the conventional dynamic penetrometer of the Department of Soil Science, Kasetsart University at Kampangsan. The depth sensing system was found to work properly. Depth validation by means of t-test yielded t value of 0.1713 as compared to 0.9800 of t-table under two-tailed test. In addition the RMSE and the MAPE values were 1.2625 and 3.3473 %, respectively. Validation test on depth of penetration showed satisfactorily insignificant difference between depths read by the invented device and by standard measurement. A computer program for manipulating field data for PR calculation was constructed. The program was written in Microsoft Visual Basic and imbedded into Microsoft Excel spreadsheet capable of accessing the field data being recorded in an SD card of the ultrasonic distance sensing system. The data was manipulated by means of a user interface that enabled the user to construct the PR profile with ease.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0110,004

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 Opus0,052
Tête enseignante GPT0,252
Écart entre enseignants0,199 · 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

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetSmart Agriculture and AITravaux en français237 207