MétaCan
Menu
Retour à la cohorte
Enregistrement W2990025184 · doi:10.1289/isesisee.2018.p02.1920

Ultrafine and Fine Particulate Matter Levels over Resurfacing Operations at Skating Arenas

2018· article· en· W2990025184 sur OpenAlexaff
Sunil C Varughese, Kelly Sabaliauskas, Seema B. Sharma, C. J. Burnett, Tracy L Kirkham

Notice bibliographique

RevueISEE Conference Abstracts · 2018
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensToronto Public HealthUniversity of TorontoPublic Health Ontario
Organismes subventionnairesnon disponible
Mots-clésUltrafine particleParticulatesEnvironmental sciencePopulationParticle numberMeteorologyAtmospheric sciencesEngineeringGeologyGeographyChemistryChemical engineering

Résumé

récupéré en direct d'OpenAlex

Background: Ice arenas are a unique public indoor space where there is extensive use of combustion engines combined with an exercising population. This pilot study seeks to identify ultrafine particle (UFP) levels and fine particulate matter (PM2.5) in indoor ice arenas across resurfacing operations. Ice making is a time-consuming and expensive process. In order to preserve the ice and ensure a smooth surface, arena operators resurface ice based on usage. Ice resurfacing involves driving a resurfacing machine over the surface of the ice as it simultaneously scrapes off a thin layer of ice and fills scratches with water, resulting in a smooth and even ice surface. Pollutants can be trapped near the ice from stagnant air flow due to a combination of boards and glass surrounding the ice and a thermal inversion which keeps colder air near the ice surface.Methods: UFP and PM2.5 measurements were continually collected using a TSI P-Trak and a TSI Dusttrak DRX. Samples were run indoors before, during and for approximately 20 minutes after one resurfacing event to capture changes in particle levels throughout the event and outdoor background measurements were taken. Sampling was conducted on two separate days in 12 arenas, once in the morning and once in the afternoon. Arenas were selected that differed in their ventilation characteristics and resurfacing equipment (7-propane, 3-natural gas, 1-gasoline, 1 electric).Results: Mean resurfacing time was 9.1 minutes (range 6-16) and was performed hourly during high arena usage. Peaks in UFP were typically observed 10 minutes post resurfacing with a mean increase in peak UFP from pre- to post- resurfacing across arenas of 65% (range 13-400%). However, PM2.5 levels were not elevated following resurfacing operations.Conclusion: The poster will provide results on changes in UFP levels by fuel type of resurfacer.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,024
Tête enseignante GPT0,250
Écart entre enseignants0,226 · 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
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueISEE Conference AbstractsMême sujetSmart Materials for ConstructionTravaux en français237 207