MétaCan
Menu
Retour à la cohorte
Enregistrement W4312573588 · doi:10.24843/jitpa.2022.v07.i02.p01

Deteksi Jejak Komponen Polimer Geomembran pada Garam dengan Alas Pengering Plastik Geomembran

2022· article· en· W4312573588 sur OpenAlexaff
Desi Lusiani Pasaribu, I Wayan Arnata, Bambang Admadi Harjosuwono

Notice bibliographique

RevueJurnal Ilmiah Teknologi Pertanian Agrotechno · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueGeotechnical and construction materials studies
Établissements canadiensGeomembrane Technologies (Canada)
Organismes subventionnairesnon disponible
Mots-clésGeomembraneDistilled waterHigh-density polyethyleneSalt (chemistry)Fourier transform infrared spectroscopyMaterials sciencePolymerPlastic filmPolyethyleneChemistryComposite materialChemical engineeringChromatographyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Penggunaan plastik geomembran pada proses pembuatan garam telah efektif digunakan sejak tahun 2012 dan mampu meningkatkan produksi garam hampir 100%. Plastik geomembran adalah lembaran polimer yang relatif tipis dan saling berhubungan. Plastik geomembran digunakan berulang kali selama kurang lebih 2 tahun dan terkena sinar matahari. Penelitian ini dilakukan untuk mengetahui jejak komponen polimer geomembran pada garam dengan alas pengering plastik geomembran yang disebabkan oleh penyinaran UV langsung dari matahari. UV-Visible digunakan untuk mendeteksi adanya jejak komponen polimer dan menentukan gugus fungsi komponen polimer menggunakan spektroskopi FTIR. Hasil identifikasi UV Visible air asin dan air destilat tercemar menunjukkan adanya dua unsur kimia yang bermigrasi dan identifikasi FTIR sampel menunjukkan puncak serapan pada 3874-3209 cmˉ¹ O-H, 3059-2782 cmˉ¹ C-H, 1709-1509 cmˉ¹ C=C, 1378 cmˉ¹ CH₃ dan 1224-1068 cmˉ¹ C-C. Molekul plastik geomembran yang diduga bermigrasi ke garam dengan alas pengering plastik geomembran adalah co-polimer geomembran HDPE dan aditif antioksidan Irganox 1330.

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), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,501
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,008
Tête enseignante GPT0,176
Écart entre enseignants0,168 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal Ilmiah Teknologi Pertanian AgrotechnoMême sujetGeotechnical and construction materials studiesTravaux en français237 207