Development of an Algorithm for Chemically Dispersed Oil Spills
Notice bibliographique
Résumé
An algorithm utilizing four basic processes was described for chemical oil spill dispersion. Initial dispersion was calculated using a modified Delvigne equation adjusted to chemical dispersion, then the dispersion was distributed over the mixing depth, as predicted by the wave height. Then the droplets rise to the surface according to Stokes’ law. Oil on the surface, from the rising oil and that undispersed, is re-dispersed. The droplets in the water column are subject to coalescence as governed by the Smoluchowski equation. A loss is invoked to account for the production of small droplets that rise slowly and are not re-integrated with the main surface slick. The droplets become less dispersible as time proceeds because of increased viscosity through weathering, and by increased droplet size by coalescence. These droplets rise faster as time progresses because of the increased size. Closed form solutions were provided to allow practical limits of dispersibility given inputs of oil viscosity and wind speed. Discrete solutions were given to calculate the amount of oil in the water column at specified points of time. Regression equations were provided to estimate oil in the water column at a given time with the wind speed and oil viscosity. The models indicated that the most important factor related to the amount of dispersion, was the mixing depth of the sea as predicted from wind speed. The second most important factor was the viscosity of the starting oil. The algorithm predicted the maximum viscosity that would be dispersed given wind conditions. Simplified prediction equations were created using regression.
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 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 | 0,001 |
| 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».