MétaCan
Menu
Retour à la cohorte
Enregistrement W2789586461 · doi:10.3390/jimaging4020038

Digital Image Correlation of Strains at Profiled Wood Surfaces Exposed to Wetting and Drying

2018· article· en· W2789586461 sur OpenAlexaff
Julian Mallet, Shankar Kalyanasundaram, Philip D. Evans

Notice bibliographique

RevueJournal of Imaging · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueSurface Roughness and Optical Measurements
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésWettingDigital image correlationDigital image analysisMaterials scienceDeckComposite materialMachiningComputer scienceComputer visionMetallurgy

Résumé

récupéré en direct d'OpenAlex

We hypothesize that machining grooves and ridges into the surface of radiata pine deck boards will change the pattern of strains that develop when profiled boards are exposed to wetting and drying. Two wavy profiles were tested, and flat unprofiled boards acted as controls. Full-field surface strain data was collected using digital image correlation. Strains varied across the surface of both flat and profiled boards during wetting and drying. Profiling fundamentally changed surface strain patterns; strain maxima and minima developed in the profile ridges and grooves during wetting, respectively, but this pattern of strains reversed during drying. Such a pronounced reversal of strains was not observed when flat boards were exposed to wetting and drying, although there was a shift towards negative strains when flat boards were dried. We conclude that profiling changes surface strain distribution in deck boards exposed to wetting and drying, and causes high strains to develop in the grooves of profiled boards. These findings help explain why checks in profiled deck boards are mainly confined to profile grooves where they are difficult to see, and the commercial success of profiling at reducing the negative effects of checking on the appearance of wood decking.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

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
Bibliométrie0,0010,001
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)0,0030,000

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 GPT0,228
Écart entre enseignants0,216 · 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

Citations14
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of ImagingMême sujetSurface Roughness and Optical MeasurementsTravaux en français237 207