MétaCan
Menu
Retour à la cohorte
Enregistrement W4205284019 · doi:10.5539/ijsp.v10n4p21

Mechanical Proof of the Maxwell-Boltzmann Speed Distribution With Numerical Iterations

2021· article· en· W4205284019 sur OpenAlexvenueno aff
Hejie Lin, Tsung‐Wu Lin

Notice bibliographique

RevueInternational Journal of Statistics and Probability · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Physics and Python Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Taiwan University
Mots-clésRandomnessMaxwell–Boltzmann distributionBoltzmann equationDistribution functionBoltzmann constantPhysicsDistribution (mathematics)Square rootFunction (biology)Mathematical analysisClassical mechanicsMathematicsQuantum mechanicsGeometryElectronStatistics

Résumé

récupéré en direct d'OpenAlex

The Maxwell-Boltzmann speed distribution is the probability distribution that describes the speeds of the particles of ideal gases. The Maxwell-Boltzmann speed distribution is valid for both un-mixed particles (one type of particle) and mixed particles (two types of particles). For mixed particles, both types of particles follow the Maxwell-Boltzmann speed distribution. Also, the most probable speed is inversely proportional to the square root of the mass. This paper proves the Maxwell-Boltzmann speed distribution and the speed ratio of mixed particles using computer-generated data based on Newton’s law of motion. To achieve this, this paper derives the probability density function ψ^ab(u_a;v_a,v_b) of the speed u_a of the particle with mass M_a after the collision of two particles with mass M_a in speed v_a and mass M_b in speed v_b. The function ψ^ab(u_a;v_a,v_b) is obtained through a unique procedure that considers (1) the randomness of the relative direction before a collision by an angle α. (2) the randomness of the direction after the collision by another independent angle β. The function ψ^ab(u_a;v_a,v_b) is used in the equation below for the numerical iterations to get new distributions P_new^a(u_a) from old distributions P_old^a(v_a), and repeat with P_old^a(v_a)=P_new^a(v_a), where n_a is the fraction of particles with mass M_a. P_new^1(u_1)=n_1 ∫_0^∞ ∫_0^∞ ψ^11(u_1;v_1,v’_1) P_old^1(v_1) P_old^1(v’_1) dv_1 dv’_1 +n_2 ∫_0^∞ ∫_0^∞ ψ^12(u_1;v_1,v_2) P_old^1(v_1) P_old^2(v_2) dv_1 dv_2 P_new^2(u_2)=n_1 ∫_0^∞ ∫_0^∞ ψ^21(u_2;v_2,v_1) P_old^2(v_2) P_old^1(v_1) dv_2 dv_1 +n_2 ∫_0^∞ ∫_0^∞ ψ^22(u_2;v_2,v’_2) P_old^2(v_2) P_old^2(v’_2) dv_2 dv’_2 The final distributions converge to the Maxwell-Boltzmann speed distributions. Moreover, the square of the root-mean-square speed from the final distribution is inversely proportional to the particle masses as predicted by Avogadro’s law.

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)0,003
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,003
Communication savante0,0020,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0110,002

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 Opus0,013
Tête enseignante GPT0,267
Écart entre enseignants0,254 · 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'étudeThéorique ou conceptuel
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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Statistics and ProbabilityMême sujetComputational Physics and Python ApplicationsTravaux en français237 207