MétaCan
Menu
Retour à la cohorte
Enregistrement W2291385939

Empirical Weathering Properties of Oil in Ice and Snow

2009· article· en· W2291385939 sur OpenAlexaboutno aff
Ian Buist, Randy Belore, David Dickins, Alan Guarino, Dan Hackenberg, Zhendi Wang

Notice bibliographique

RevueProceedings of the International Conference on Port and Ocean Engineering Under Arctic Conditions · 2009
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSnowWeatheringEnvironmental sciencePetroleumHydrology (agriculture)GeologyGeotechnical engineeringGeomorphology
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to generate experimental data to validate and refine oil spill weathering algorithms for computerized models for spills in ice and snow. Six series of laboratory-scale experiments were conducted over a four-year study: (1) Spreading on Ice and in Snow; (2) Evaporation in Ice and Snow; (3) Slick Thickness on Cold Water; (4) Migration Rates through Brine Channels; (5) Formation of Water-in-Oil Emulsions; (6) Full Spill-Related Characterization of Crude Oil Samples. The experiments were conducted at three facilities: (1) An outdoor test facility near Ottawa, ON constructed using insulated, IBC shipping containers as the test tanks each containing 1 m3 of salt water. (2) An indoor, 11-m³ wind/wave tank at SL Ross in Ottawa, ON. (3) The 10,000-m3 Ohmsett Facility in Leonardo, NJ, outfitted with large-capacity industrial water chillers to ensure freezing water temperatures. Four Alaskan crudes were used: Alaska North Slope, Northstar, Endicott, and Kuparuk.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,746
Score d'incertitude au seuil0,205

Scores Codex et Gemma par catégorie

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

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 Opus0,022
Tête enseignante GPT0,234
Écart entre enseignants0,212 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations20
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the International Conference on Port and Ocean Engineering Under Arctic ConditionsMême sujetOil Spill Detection and MitigationTravaux en français237 207