MétaCan
Menu
Retour à la cohorte
Enregistrement W2993447191 · doi:10.1109/access.2019.2956568

A Self-Adaptive and Wide-Range Conductivity Measurement Method Based on Planar Interdigital Electrode Array

2019· article· en· W2993447191 sur OpenAlexaff
Xiaolei Wang, Yuhao Wang, Henry Leung, Subhas Chandra Mukhopadhyay, Shaoping Chen, Yongqiang Cui

Notice bibliographique

RevueIEEE Access · 2019
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueAnalytical Chemistry and Sensors
Établissements canadiensUniversity of Calgary
Organismes subventionnairesSouth-Central University for NationalitiesNatural Science Foundation of Hubei ProvinceCentral South UniversityNational Natural Science Foundation of China
Mots-clésPlanarConductivityElectrodeMaterials scienceFabricationRange (aeronautics)Computer scienceSensitivity (control systems)OptoelectronicsPlanar arrayElectronic engineeringBiological systemAcousticsComposite materialTelecommunicationsChemistryPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

Conductivity is a crucial parameter in water quality detection, which can roughly represent overall concentration of various inorganic ions. However, traditional conductivity sensors can only afford high performance measurement in a relatively low range while the concentration may vary much more in realworld water environment. This paper proposes a high-precision and wide-range measurement method based on a novel planar interdigital electrode sensor array and a self-adaptive algorithm. The array is composed of 3 pairs of planar electrodes with various cell constants aiming at different subdivided conductivity sections. The follow-up circuit and the self-adaptive algorithm keep the optimal electrode pair dominates the output of the array. Numerical simulations were utilized to optimize sensor parameters before fabrication. PCB manufacturing technique was used which guaranteed a relatively low manufacturing cost and stable performance. Experiments were conducted to verify the sensing performance and results showed that the array can maintain precise measurement from 0.5μs/cm to 500ms/cm.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,240
Score d'incertitude au seuil0,710

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
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)0,0000,000

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 Opus0,034
Tête enseignante GPT0,278
Écart entre enseignants0,244 · 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 tête enseignante, 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

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE AccessMême sujetAnalytical Chemistry and SensorsTravaux en français237 207