MétaCan
Menu
← Retour à la cohorte
Enregistrement W2755214715 · doi:10.1038/s41598-017-12002-5

Corona discharge induced snow formation in a cloud chamber

2017· article· en· W2755214715 sur OpenAlexafffund
Jingjing Ju, Tiejun Wang, Ruxin Li, Shengzhe Du, Haiyi Sun, Yonghong Liu, Ye Tian, Yafeng Bai, Yaoxiang Liu, Na Chen, Jingwei Wang, Cheng Wang, Jiansheng Liu, S. L. Chin, Zhizhan Xu

Notice bibliographique

RevueScientific Reports · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAtmospheric aerosols and clouds
Établissements canadiensUniversité Laval
Organismes subventionnairesNational Key Research and Development Program of ChinaNational Natural Science Foundation of ChinaChinese Academy of Meteorological SciencesMinistry of Science and Technology of the People's Republic of ChinaChinese Academy of SciencesUniversité Laval
Mots-clésCorona dischargeCloud condensation nucleiSnowIon windIonizationPrecipitationCloud chamberCorona (planetary geology)FilamentationEnvironmental scienceAtmospheric sciencesCondensationCloud baseMaterials scienceFemtosecondMeteorologyCloud computingIonLaserChemistryPhysicsAerosolOpticsComputer scienceAstrobiologyNuclear physics

Résumé

récupéré en direct d'OpenAlex

Artificial rainmaking is in strong demand especially in arid regions. Traditional methods of seeding various Cloud Condensation Nuclei (CCN) into the clouds are costly and not environment friendly. Possible solutions based on ionization were proposed more than 100 years ago but there is still a lack of convincing verification or evidence. In this report, we demonstrated for the first time the condensation and precipitation (or snowfall) induced by a corona discharge inside a cloud chamber. Ionic wind was found to have played a more significant role than ions as extra CCN. In comparison with another newly emerging femtosecond laser filamentation ionization method, the snow precipitation induced by the corona discharge has about 4 orders of magnitude higher wall-plug efficiency under similar conditions.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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)0,0010,000

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 Opus0,019
Tête enseignante GPT0,252
Écart entre enseignants0,234 · 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

Citations17
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific Reports→Même sujetAtmospheric aerosols and clouds→Travaux en français237 207→