MétaCan
Menu
Retour à la cohorte
Enregistrement W3209870897 · doi:10.20944/preprints202103.0397.v1

Numerical Simulation and Experimental Study of Capacitive Imaging Technique as a Non-Destructive Testing Method

2021· preprint· en· W3209870897 sur OpenAlexfundno aff
Farima Abdollahi-Mamoudan, Sébastien Savard, Tobin Filleter, Clemente Ibarra‐Castanedo, Xavier Maldague

Notice bibliographique

RevuePreprints.org · 2021
Typepreprint
Langueen
DomaineEngineering
ThématiqueElectrical and Bioimpedance Tomography
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCapacitive sensingPlanarFinite element methodMaterials scienceSample (material)DielectricAcousticsSurface (topology)ElectrodeElectronic engineeringComputer scienceOptoelectronicsElectrical engineeringEngineeringStructural engineeringGeometryPhysics

Résumé

récupéré en direct d'OpenAlex

It was recently demonstrated that a co-planar capacitive sensor could be applied to the evaluation of materials without the disadvantages associated with the other techniques. This technique effectively detects changes in the dielectric properties of the materials due to, for instance, imperfections or variations in the internal structure, by moving a set of simple electrodes on the surface of the specimen. An AC voltage is applied to one or more electrodes and signals are detected by others. This is a promising inspection method for imaging the interior structure of the numerous materials, without the necessity to be in contact with the surface of the sample. In this paper, Finite Element (FE) modelling was employed to simulate the electric field distribution from a co-planar capacitive sensor and the way it interacts with a non-conducting sample. Physical experiments with a prototype capacitive sensor were also performed on a Plexiglas sample with sub-surface defects, to assess the imaging performance of the sensor. A good qualitative agreement was observed between the numerical simulation and experimental result.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,300
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,064
Tête enseignante GPT0,364
Écart entre enseignants0,300 · 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 tête enseignante, pas un consensus.

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

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreprints.orgMême sujetElectrical and Bioimpedance TomographyTravaux en français237 207