MétaCan
Menu
Retour à la cohorte
Enregistrement W4317861415 · doi:10.1088/1361-6501/acb5b2

Prospects on ultrasound measurement techniques with optical fibers

2023· article· en· W4317861415 sur OpenAlexafffund
Xiaoyi Bao

Notice bibliographique

RevueMeasurement Science and Technology · 2023
Typearticle
Langueen
DomaineEngineering
ThématiquePhotoacoustic and Ultrasonic Imaging
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésNondestructive testingUltrasoundStructural health monitoringTransducerUltrasonic sensorMaterials scienceBroadbandMultiplexingOptical fiberAcousticsElectromagnetic interferenceComputer scienceOpticsTelecommunications

Résumé

récupéré en direct d'OpenAlex

Abstract Ultrasound sensors have been widely used in medical imaging, as well as structural health monitoring (SHM) and non-destructive testing (NDT) in civil and mechanical structures. Covering entire structures and imaging large areas requires multiplexing of many ultrasound sensors with single readout instrument, which can be difficult for traditional piezoelectric transducers. Optical fiber-based sensors offer numerous advantages such as being lightweight, small, the ability to be embedded, immunity to electro-magnetic interference, and the ability to be multiplexed and distributed ultrasound sensors. Fiber ultrasound sensors are regarded as an ideal sensing solution for SHM and NDT, and even most recently for medical imaging due to its broadband ultrasound response and distributed capability. Micro and nanofibers are made smaller than telecom fibers using a wider selection of sensing materials with higher bending capability, which makes them ideal for high frequency (hundreds of MHz) ultrasound detection of micrometer cracks and imaging biological tissues. New optical materials and fabrication techniques are shaping the future with exceptionally small ultrasound sensors and actuators, extending the range of applications in SHM, NDT and medical imaging with higher accuracy and better precision over larger areas.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,003

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 Opus0,017
Tête enseignante GPT0,210
Écart entre enseignants0,193 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMeasurement Science and TechnologyMême sujetPhotoacoustic and Ultrasonic ImagingTravaux en français237 207