Microwaves See Thin Ice: A Review of Ice and Snow Sensing Using Microwave Techniques
Notice bibliographique
Résumé
Ice and snow are a reality that a large percentage of the global population experiences on a regular basis, with more than 31% of the Earth’s landmass[2]experiencing seasonal snow and ice accretion (as shown inFigure 1, a satellite image of the global snow cover for February 2022)[1]. In the United States alone, ice and snow impact 70% of the population, resulting in more than 1,300 annual deaths from icing-related roadway accidents and causing an estimated US$2.3 billion to be spent each year on roadway snow and ice control operations[3]. The infrastructure in regions that receive ice and snow must be specially designed to reliably operate in winter weather conditions, with specific considerations for power grids[4], antenna communication structures, and cable bridges[5]. Expanding marine shipping and industrial operations in arctic regions have increased the need for safe and reliable operation of equipment and ships in atmospheric accretion and salty-icing conditions[6]. Wind turbines with blades rotating at great speeds high up in the air require thorough design considerations for atmospheric ice formation to prevent damage from icing, which can result in substantial power reduction or complete outage[7]. Similarly, ice accretions on flying objects, such as aircraft wings or turbopropellers, are highly critical challenges and have been a focus for sensing and de-icing for decades[8]because of the fatal effects of icing on airplanes[9].
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,004 |
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 ».