Curve‐fitting regression: improving light element quantification with XRF
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Light elements are hard to quantify by X‐ray fluorescence (XRF) spectrometry because, after a photoelectric excitation, they predominantly relax emitting Auger electrons, greatly reducing the fluorescence count thus limiting the signal‐to‐noise ratios (SNR) observed. Low SNR values have deleterious outcomes in model building. Notable in ordinary least squares (OLS) regression based on peak height, they also affect more robust regression methods, such as partial least squares regression. While low SNR can also be observed with low concentrations of heavier elements, this paper focuses on boron. To overcome the low SNR hurdle, curve‐fitting regression (CFR), a novel method elaborated in this paper, seeks to fit full scans with summed Gaussian curves. The methodology was illustrated with pressed microcrystalline cellulose spiked with sodium tetraborate decahydrate (borax) powder samples. The calibration set ranged from 0% to 21.5% m / m boron, and a PANalytical Axios wavelength dispersive X‐ray fluorescence system with rhodium source was used to perform the tests. A calibration curve with determination coefficient ( R 2 ) = 0.990 and root mean square error of calibration (RMSEC) = 0.7% m / m was produced with CFR versus RMSEC = 1.2% m / m with OLS regression. Validity of the method was tested with a set of 17 pearled samples containing a mixture of different oxides. Root mean square error of prediction (RMSEP) of 0.1% m / m was obtained with the validation set, using CFR against RMSEP = 0.99% m / m with OLS regression, thus illustrating the proposed method's potential. Copyright © 2017 John Wiley & Sons, Ltd.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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