Development of a tiered analytical method for forensic investigation of mixed lubricating oil samples
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
Oil spill forensic investigations are often challenging due to many confounding variables such as sample weathering, oil composition complexities, and the quality or quantity of collected materials, but the difficulty is further compounded when dealing with mixed oils. In this case, well-established oil fingerprinting techniques become inadequate, including gas chromatography-flame ionization detection (GC/FID) and gas chromatography-mass spectrometry (GC/MS) diagnostic ratio analysis. In dealing with mixtures of highly refined lubricating (lube) oils, GC/FID analysis often yields inconclusive results, while diagnostic ratio analysis can be compromised by missing or low response biomarker compounds. The present study explored the feasibility of addressing the challenges of mixed lube oil analysis through a multi-tiered analytical approach. This analysis supplemented traditional GC/FID and GC/MS diagnostic ratio analyses with multivariate statistics to rapidly screen large data sets. Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA) proved to be effective and intuitive qualitative methods for visualizing, differentiating, and characterizing four highly similar lube oil mixtures. Non-linear mixing patterns that were significant in the diagnostic ratio analysis were far less evident through LDA. Overall, these findings lay the groundwork for promising future study involving multivariate statistical approaches to complex mixed oil forensic cases.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle