MétaCan
Menu
Retour à la cohorte
Enregistrement W4311539751 · doi:10.2166/wpt.2022.161

Performance evaluation of hydraulic ram pumping systems for small-scale farmers: a case study of West Pokot county, Kenya

2022· article· en· W4311539751 sur OpenAlexfundno aff
Joseph Kisia Osome, Job Rotich Kosgei, Emmanuel C. Kipkorir, Gilbert Nyageikaro Nyandwaro, Jotham Ivan Sempewo

Notice bibliographique

RevueWater Practice & Technology · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueCavitation Phenomena in Pumps
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésScale (ratio)EngineeringWater supplyEnvironmental scienceOperations managementEnvironmental engineeringGeography

Résumé

récupéré en direct d'OpenAlex

Abstract Hydraulic ram (hydram) pump has been in existence for more than two centuries. However, these pumps have been on the verge of extinction since the invention of motorized pumps, which are more powerful and efficient. Unfortunately, motorized pumps are expensive to acquire, operate, and maintain. Their contribution to climate change and environmental degradation has steered the need for an alternative pumping technology. Therefore, as the world's technology shifts to green energy, hydram pumps need to be re-invented. In the late twentieth century, studies on hydram pumps have been revived with the aim of making them more efficient and economically competitive. Small-scale farmers in West Pokot County, Kenya, have embraced the hydram technology, but due to low technical capacity; installed low-performing hydram that operated under low efficiencies of less than 30%, with the majority having operational failure due to inadequate designs. Hence, this study investigated the design and operation of these pumps. Thereafter, designed and assembled a hydram pump, using locally available materials, to supply water for domestic and small-scale agricultural use. The optimum efficiency achieved by the pump was 54%, with an optimum delivery flow rate of about 13 L/min.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,031
Tête enseignante GPT0,279
Écart entre enseignants0,248 · 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'étudeObservationnel
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Practice & TechnologyMême sujetCavitation Phenomena in PumpsTravaux en français237 207