MétaCan
Menu
Retour à la cohorte
Enregistrement W2246140941

STATE-OF-THE-ART FIXED AUTOMATED SPRAY TECHNOLOGY

2004· article· en· W2246140941 sur OpenAlexaboutno aff
J R Waldman

Notice bibliographique

RevueTransportation Research E-Circular · 2004
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIcingSoftware deploymentController (irrigation)Computer scienceBridge (graph theory)Environmental scienceNozzleAutomotive engineeringSimulationEngineeringMeteorologyMechanical engineeringOperating system
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Applying anti-icing chemical at the optimum time is critical for an effective anti-icing program. The timing of anti-icing chemical applications is especially critical for bridge structures, where icing can occur in advance of icing on normal pavements. Additionally, other highway characteristics such as ramps and steep grades can require different treatment strategies as compared to anti-icing treatments for normal pavements. Advances in technology have given highway operators a new tool to enhance the effectiveness and efficiency of their anti-icing program. This tool is the fixed automated spray technology (FAST) system. The FAST system is a permanent installation of a pump, a tank, nozzles, and a controller that dispenses anti-icing chemicals directly on a predetermined area of pavement. These systems can initiate chemical applications either on manual command or be integrated with a road weather information system (RWIS) to operate automatically based on detected highway conditions. The FAST system permits timely, localized, and repeated anti-icing treatments with the optimum amount of anti-icing chemicals and without the deployment of typical winter maintenance equipment and personnel. FAST systems are now in use in more than 20 U.S. states and in several locations in Canada.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,047

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
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)0,0140,005

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 Opus0,018
Tête enseignante GPT0,285
Écart entre enseignants0,267 · 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'étudeSans objet
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

Citations5
Publié2004
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransportation Research E-CircularMême sujetSmart Materials for ConstructionTravaux en français237 207