Variability in Particle Size Distribution Due to Sampling
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
Abstract Sampling particulate matter for particle size distribution (PSD) analysis is a task routinely performed in geotechnical and geoenvironmental engineering. Pitard (2019) mentions that “for a sample to be representative of anything, the first rule to fulfill is to ensure that the sample is representative of all the particle size fractions.” Several sampling techniques exist for obtaining samples of particulate matter from a lot, but their representativeness has rarely been documented, either experimentally or theoretically. To this end, this article studied the representativeness of four sampling techniques applied to moist and dry particulate matter, namely riffle splitting, fractional shoveling, 2-dimensional incremental sampling (2-DIS), and grab sampling. Bias being small because of experimental design, relative variance was used to assess sampling performance. Except for the largest size fraction (>9.5 mm), for which all sampling techniques gave poor results because of insufficient sample mass, riffle splitting was the most reproducible technique (CV = 6.47 %) and showed the smallest increase in variability compared to the fundamental relative sampling variance (i.e., a CV increase of 0.66 %), followed by fractional shoveling (7.68 %, 2.59 %), grab sampling (11.7 %, 6.51 %), and 2-DIS (16.3 %, 11.1 %). For fractional shoveling, sampling dry matter (CV = 19.2 %) significantly increased sampling variability compared to moist matter by 11.5 %. Furthermore, theoretical estimation of minimum sample mass requirements showed that mass requirements in ASTM D6913/D6913M-17, Standard Test Methods for Particle-Size Distribution (Gradation) of Soils Using Sieve Analysis, can lead to larger sampling variance than expected. Guidelines for specimen procurement ASTM D6913/D6913M-17 were also analyzed and judged insufficient with respect to fundamental sampling principles.
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 | 0,001 | 0,006 |
| 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 découle