Analysis of bubble size distributions using the McGill bubble size analyser
Notice bibliographique
Résumé
Among the apparently simplest methods to determine bubble size in flotation systems are photographic techniques, ranging from photography through transparent walls to imaging of extracted bubbles. All capture images, which to varying degrees include overlapping, touching or out of focus bubbles. As manual counting limits the total number of bubbles, image analysis software is used to automate the process. Accuracy is thus dependent on image treatment, including counting method and filters. The McGill bubble size analysis method yields single plane, backlit images and utilises software that filters by shape factor. Proven effective for bubble size distributions ranging from approximately 0.5 to 3 mm, regular trends are observed when number (D10) and Sauter (D32) mean diameters are compared. When the method was extended to wide distributions typical of jetting spargers (e.g., 0.2--15 mm), no similar trends were evident. Revision of the analysis process for these two-phase systems included counting by number of holes, which reduced dependence on bubble shape. This allowed for inclusion of small and large bubbles, while excluding bubble clusters. A diameter assignment protocol reflecting individual bubble shape was also developed. Revised output distributions showed increased symmetry, and the D32 vs. D10 trend was recovered. Impact of sample tube diameter on the output bubble size distributions, and types of bias introduced were also investigated. A means of selecting an appropriate sample tube diameter for a given bubble population is presented.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».