Notice bibliographique
Résumé
Abstract Chemical engineering research encompasses a plethora of subjects ranging from nanoscale to climate change, from medicine to hazardous waste management, and from electronics and photonics to process intensification, manufacturing, and modelling. The 2017 AIChE meeting included 8000 oral presentations and posters with all these diverse topics. Here we identify experimental methods and instrumentation that straddle these subjects based on Can. J. Chem. Eng . articles published from 2016–2017. Temperature, pH, pressure, and flow rate are the physical properties most researchers report. We identified over 50 experimental techniques, reactor types, and modelling methodologies and show that articles with an experimental focus are more strongly linked than those that concentrate on hydrodynamic modelling and numerical simulation. Spectroscopy dominates instrumental techniques to characterize solids and catalyst properties and we classify 36 instruments according to what property they measure and the scale, nature of the phase, composition, and morphology. A bibliometric analysis grouped the physicochemical properties into three major research clusters centered around solid properties, liquid phase properties, and gas phase and aqueous phase properties. Articles in this special series describe the basic principles of one experimental method or instrument that appears frequently in the journal. Together with a short background, the articles highlight fields of application, assess the sources of error, detection thresholds, and uncertainty. This series provides chemical engineers with a concise, accessible reference guide to help identify and choose appropriate experimental techniques and instruments.
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 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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».