MétaCan
Menu
Retour à la cohorte
Enregistrement W2521228697 · doi:10.2495/cmem-v4-n2-165-175

A comparative study of magnetic resonance imaging, electrical impedance tomography and ultrasonic doppler velocimetry for semi-dilute fibre flow suspension characterisation

2016· article· en· W2521228697 sur OpenAlexaff
Pedro Faia, Paul Krochak, H. Costa, Fredrik Lundell, R. Silva, F. A. P. Garcia, Maria G. Rasteiro

Notice bibliographique

RevueInternational Journal of Computational Methods and Experimental Measurements · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrical and Bioimpedance Tomography
Établissements canadiensWestern Forest Products
Organismes subventionnairesEuropean Regional Development FundFundação para a Ciência e a TecnologiaMinistério da Ciência, Tecnologia e Ensino Superior
Mots-clésVelocimetryMagnetic resonance imagingAcousticsElectrical impedance tomographyUltrasonic sensorMaterials scienceDoppler effectSuspension (topology)TomographyNuclear magnetic resonanceLaser Doppler velocimetryElectrical impedanceBiomedical engineeringOpticsPhysicsBlood flowRadiologyEngineeringMedicine

Résumé

récupéré en direct d'OpenAlex

Experimental comparisons between imaging techniques serve to provide confidence in the validity of each technique for the study of multiphase flow systems.Such cross-validation can establish the limitations of each technique quantitatively.In the present paper, the authors report efforts made on the characterization of semi-dilute, mono-dispersed suspensions of rayon fibres in turbulent water flow using Magnetic Resonance Imaging (MRI), Ultrasound Velocity Profiling (UVP) and Electrical Impedance Tomography (EIT).Increasing flow velocities and fibre concentration were studied using these three experimental techniques.For lower fibre concentrations more uniform distributions were observed and as flow velocity increased fibre agglomerations were found in the centre region of the pipe.

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)0,003
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,029
Tête enseignante GPT0,342
Écart entre enseignants0,313 · 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

Citations2
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Computational Methods and Experimental MeasurementsMême sujetElectrical and Bioimpedance TomographyTravaux en français237 207