MétaCan
Menu
Retour à la cohorte
Enregistrement W2913891734 · doi:10.3390/coatings9020121

Evaluation of the Impacts of Four Weathering Methods on Two Acrylic Paints: Showcasing Distinctions and Particularities

2019· article· en· W2913891734 sur OpenAlexafffundabout
Antoine Cogulet, Pierre Blanchet, Véronic Landry

Notice bibliographique

RevueCoatings · 2019
Typearticle
Langueen
DomaineEarth and Planetary Sciences
ThématiqueBuilding materials and conservation
Établissements canadiensUniversité LavalKruger (Canada)
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésWeatheringEnvironmental scienceMaterials scienceFourier transform infrared spectroscopyGeologyChemical engineeringGeochemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Two commercial waterborne wood acrylic paints were applied to wood samples and the weathering resistance of samples was tested using four different weathering methods: outdoor exposure in Arizona (USA), Florida (USA), and the province of Quebec (Canada), and accelerated weathering in a QUV (fluorescent) weatherometer. Degradation was characterised by colorimetric and FTIR analyses. FTIR confirmed the importance of paint composition in the resistance of samples to weathering. Polymer sensitivity to UV radiation was clearly evident. An interpretation of discoloration in terms of either the energy received by the samples or the length of exposure is presented. Strong differences existed between the four weathering methods. Particularities of each method are discussed and recommendations regarding their application for effective testing are proposed. Overall, in addition to accelerated weathering tests, we conclude that it is necessary to test paints in an end-use environment for accurate assessment of their likely performance. This study confirms the multifactorial aspect of the weathering process.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
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 seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
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 Opus0,057
Tête enseignante GPT0,306
Écart entre enseignants0,249 · 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

Citations40
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCoatingsMême sujetBuilding materials and conservationTravaux en français237 207