MétaCan
Menu
Retour à la cohorte
Enregistrement W3156296248 · doi:10.24908/iqurcp.10452

All-Fiber Photoacoustic Absorption Spectroscopy: Detecting Small Amounts of Dissolved Water in Jet Fuel

2018· article· en· W3156296248 sur OpenAlexvenueno aff
Gavin Hatheway

Notice bibliographique

RevueInquiry Queen s Undergraduate Research Conference Proceedings · 2018
Typearticle
Langueen
DomaineChemistry
ThématiqueSpectroscopy and Chemometric Analyses
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFiltration (mathematics)Environmental scienceDissolved organic carbonIgnition systemAbsorption (acoustics)Materials scienceProcess engineeringChemistryEnvironmental chemistryEngineeringComposite materialAerospace engineering

Résumé

récupéré en direct d'OpenAlex

Small concentrations of dissolved water in hydrocarbons such as lubricating engine oils and jet fuels prove detrimental to engine performance. In particular, high altitude operation can cause dissolved water to freeze, thus disrupting fuel flow and ignition temperatures in the engine. A new method to determine the concentration of dissolved water is explored using a high energy laser to excite the dissolved water in the fluid sample. Past methods include rigorous filtration systems or humidity tests that are time consuming and sometimes extremely temperature sensitive. Using a laser is a safe and non-invasive method that takes a matter of minutes for data collection. This Physics thesis is currently in the stage of establishing the detection of water excited by the high power laser. In the coming weeks, this project will progress to analyzing the collected data to calculate the amount of dissolved water in the fluid samples. The time efficiency and precision of this method provides an opportunity to develop a device that may be extended to industry for engine damage mitigation.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,097
Tête enseignante GPT0,369
Écart entre enseignants0,272 · 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'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

Citations0
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInquiry Queen s Undergraduate Research Conference ProceedingsMême sujetSpectroscopy and Chemometric AnalysesTravaux en français237 207