Making the Most of Parameter Estimation: Terpolymerization Troubleshooting Tips
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multi-component polymers can provide many advantages over their homopolymer counterparts. Terpolymers are formed from the combination of three unique monomers, thus creating a new material that will exhibit desirable properties based on all three of the original comonomers. To ensure that all three comonomers are incorporated (and to understand and/or predict the degree of incorporation of each comonomer), accurate reactivity ratios are vital. In this study, five terpolymerization studies from the literature are revisited and the ‘ternary’ reactivity ratios are re-estimated. Some recent studies have shown that binary reactivity ratios (that is, from the related copolymer systems) do not always apply to ternary systems. In other reports, binary reactivity ratios are in good agreement with terpolymer data. This investigation allows for the comparison between previously determined binary reactivity ratios and newly estimated ‘ternary’ reactivity ratios for several systems. In some of the case studies presented herein, reactivity ratio estimation directly from terpolymerization data is limited by composition restrictions or ill-conditioned systems. In other cases, we observe similar or improved prediction performance (for ternary systems) when ‘ternary’ reactivity ratios are estimated directly from terpolymerization data (compared to the traditionally used binary reactivity ratios). In order to demonstrate the advantages and challenges associated with ‘ternary’ reactivity ratio estimation, five case studies are presented (with examples and counter-examples) and troubleshooting suggestions are provided to inform future work.
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.
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 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle