MétaCan
Menu
Retour à la cohorte
Enregistrement W2757797543 · doi:10.5539/mer.v7n2p1

Usability Evaluation Method for VRLA Battery Measuring Equipment

2017· article· en· W2757797543 sur OpenAlexvenueno aff
Haifeng Jiang, Shusheng Lin

Notice bibliographique

RevueMechanical Engineering Research · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering Applied Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésInternal resistanceBattery (electricity)Lead–acid batteryMeasure (data warehouse)Reliability engineeringComputer scienceVRLA batteryAutomotive engineeringEngineeringData mining

Résumé

récupéré en direct d'OpenAlex

This paper presents a method for evaluating the availability of lead-acid battery test equipment and designs the corresponding evaluation mathematical model. International standard IEC60896-2 specifies the lead-acid battery internal resistance level. Because the internal resistance value is usually micro-Ohm level and the lead-acid battery has special electrochemical characteristics, it’s very difficult to measure it. Until now no authority can officially provides the actual resistance value for a given battery. However, the industry has agreed that the internal resistance will gradually increases during the use of the battery and the performance of the battery has close relationship with the change of the internal resistance, so even if the measurement equipment can not measure the absolute actual resistance, but as long as the battery can be measured a small change in internal resistance, it has a high availability. In this paper, we propose a micro-incremental verification method and a mathematical model to facilitate, accurately and quickly verify whether the battery internal resistance test equipment can accurately and stably measure the internal resistance of the battery, and provide technical verification reference for selecting the battery measuring equipment.

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)0,017
score de la tête « metaresearch » (Gemma)0,056
Version: metacan-v3-hybrid-931329e0061cStatut 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: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,092

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,056
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0050,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,207
Tête enseignante GPT0,436
Écart entre enseignants0,229 · 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'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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMechanical Engineering ResearchMême sujetEngineering Applied ResearchTravaux en français237 207