MétaCan
Menu
Retour à la cohorte
Enregistrement W2297725446 · doi:10.1063/1.4940673

A self-consistent approach to the analysis of thermionic devices

2016· article· en· W2297725446 sur OpenAlexafffund
Amir H. Khoshaman, Alireza Nojeh

Notice bibliographique

RevueJournal of Applied Physics · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueThermal Radiation and Cooling Technologies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of British Columbia
Mots-clésThermionic emissionRange (aeronautics)Poisson's equationComputer scienceStatistical physicsPoisson distributionApplied mathematicsPhysicsMathematical optimizationMathematicsAerospace engineeringEngineeringElectronQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

Research in thermionics has been reinvigorated recently by the advent of nanotechnology and nanomaterials. Thermionic energy convertors are commonly modelled using the Poisson-Vlasov system of equations under various limitations and approximations. With the ever-growing demands of emergent thermionic devices, more comprehensive approaches are needed in order to be able to treat a broader range of device configurations and operational parameters. Here, we propose a self-consistent approach that, by iterating between the Poisson and Vlasov equations, does not rely on the existence of an analytical solution to the latter. Specifically, we present a particle-tracing implementation of this method for solving the system numerically in an efficient manner. In the case where an analytical solution does exist, we present an asymptotic expansion of the ill-behaving functions that arise; this approach improves the effectiveness of the method in the deep space-charge mode. We also demonstrate the applicability of this approach in the presence of back-emission.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,012
Tête enseignante GPT0,205
Écart entre enseignants0,193 · 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'étudeSimulation ou modélisation
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

Citations16
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied PhysicsMême sujetThermal Radiation and Cooling TechnologiesTravaux en français237 207