MétaCan
Menu
Retour à la cohorte
Enregistrement W3211446069 · doi:10.1115/1.4052780

Exploring an Energy-Based Model in Comminution

2021· article· en· W3211446069 sur OpenAlexaff
Poorya Hosseini, Nima Gharib, Javad Farrokhi Derakhshandeh, Peter Radziszewski

Notice bibliographique

RevueJournal of Tribology · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueMineral Processing and Grinding
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésComminutionAbrasion (mechanical)BreakageEnergy (signal processing)Process (computing)Process engineeringEfficient energy useMaterials scienceEnvironmental scienceComputer scienceEngineeringMetallurgyComposite materialMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract Comminution devices use about 50% of the total energy in mine sites due to low efficiency and wastefulness of their operations. This study aims to provide a framework for improving efficiency of comminution processes by discretizing the relative distribution of various energy forms in the comminution process. Comminution theories are mainly based on the ore's size distribution and consequently do not adequately address other imperative phenomena such as media wear and energy utilization efficiency. We suggest an energy-based methodology that provides a common ground for comparing seemingly different aspects involved in comminution, most notably ore breakage, the media wear, and energy utilization efficiency. The experimental tests here were conducted using the Steel Wheel Abrasion Test (SWAT) highlighting the relationship between test variables, including media wear, ore breakage and energy efficiency. In addition, preliminary experimental results show interesting connections between various energy forms involved in comminution that is of high use in future design and performance optimization of comminution devices.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0020,001
Intégrité de la recherche0,0030,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,139
Tête enseignante GPT0,262
Écart entre enseignants0,123 · 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'étudeSimulation ou modélisation
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

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of TribologyMême sujetMineral Processing and GrindingTravaux en français237 207