Study on Composition Analysis and Species Identification of Glass Relics Based on the Multiple Linear Regression Model
Notice bibliographique
Résumé
Antique glass products are highly susceptible to environmental influences and weathering, and their chemical composition ratios are prone to change. Given this, this article is based on integrating known data processing and mathematical methods such as comprehensive evaluation and mean analysis to establish a multiple linear regression model to explore the changes in surface chemical composition. According to the clustering analysis method, accurately classify subcategories and explore the rationality and sensitivity of the classification results. Finally, use Euclidean distance to determine the unknown category of cultural relics to be tested. The results show that: (1) For lead barium glass, Na2O and Al2O3 have a protective effect on weathered cultural relics, and the SiO2 content decreases after weathering, while the PbO, BaO, P2O5, and CaO content increases; For high potassium glass, the content of SrO, SnO, and SO2 is almost zero, and the content of Na2O remains unchanged before and after weathering. The content of SiO2 increases while the content of other elements decreases. (2) The model successfully subdivided the glass subclass into four categories: low SiO2, BaO-PbO-CuO, high PBO high BaO-SO2, low BaO high PbO-SiO2, and high SiO2-PbO low BaO-Al2O3. Three types of high potassium glass: high SiO2, low SiO2, SiO2-CaO-Al2O3.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».