MétaCan
Menu
Retour à la cohorte
Enregistrement W4393256196 · doi:10.15376/biores.19.2.2990-3000

Understanding the limits of screening operation. Part 2: Characterizing the operational window

2024· article· en· W4393256196 sur OpenAlexafffund
Miguel E. Villalba, James A. Olson, D. Mark Martinez

Notice bibliographique

RevueBioResources · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Laboratory Practices and Quality Control
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésWindow (computing)Materials scienceTherapeutic windowReliability engineeringProcess engineeringComputer scienceEngineeringMedicineOperating system

Résumé

récupéré en direct d'OpenAlex

The limits of the pulp screening operation can be defined as the maximum throughput before the apertures start to plug permanently. This two-part article sought insights into the limits of screening operation. In part two, the operational window of the screen was characterized by performing a series of screening trials with different pulp furnishes, where the plugging point was conventionally measured with the pressure signal. The limits of operation, given by a slot velocity and rotor speed contour, showed a robust linear relationship at the point of plugging, which depended on the ratio of the fibre length to aperture size. For size ratios less than 1.5, the screen did not plug under the conditions tested. In addition, the plugging detection tool was conceptualized in part one based on the kurtosis of the distribution of fluctuation peaks, and it was employed here. Effectively, deviations from the Gaussian distribution of the pressure fluctuation peaks signal the onset of screen plugging. Thus, the utility of this tool was confirmed for detecting plugs using readily available pressure fluctuation data in pilot-scale screening operations.

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)0,004
score de la tête « metaresearch » (Gemma)0,011
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,011
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,249
Tête enseignante GPT0,374
Écart entre enseignants0,125 · 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

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBioResourcesMême sujetClinical Laboratory Practices and Quality ControlTravaux en français237 207