MétaCan
Menu
Retour à la cohorte
Enregistrement W4394192127 · doi:10.6084/m9.figshare.11358350

Dataset for: Simulating a spill of diluted bitumen: Environmental weathering and submergence in a model freshwater system

2019· dataset· en· W4394192127 sur OpenAlexaboutno aff
Sawyer S. Stoyanovich, Zeyu Yang, Mark L. Hanson, Bruce P. Hollebone, Diane M. Orihel, Vince Palace, Jose R Rodriguez-Gil, Robert Faragher, Fatemah S. Mirnaghi, Keval Shah, Jules M. Blais

Notice bibliographique

RevueFigshare · 2019
Typedataset
Langueen
DomaineEnvironmental Science
ThématiqueHydrological Forecasting Using AI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWeatheringAsphaltEnvironmental scienceOil spillGeologyGeochemistryGeographyEnvironmental engineeringCartography

Résumé

récupéré en direct d'OpenAlex

The main petroleum product transported through pipelines in Canada is diluted bitumen (dilbit), a semi-liquid form of heavy crude oil mixed with natural gas condensates to facilitate transport. The weathering, fate, behaviour, and environmental effects of dilbit are crucial to consider when responding to a spill, however few environmental studies on dilbit have been completed. Here we report on 11-day long experimental spills of dilbit (Cold Lake Winter Blend) in outdoor micro-cosms meant to simulate a low-energy aquatic system containing natural lake water and sedi-ments treated with a low (1:8,000 oil:water) and high (1:800 oil:water) volume of dilbit. In the first 24 hours of the experiment, volatile hydrocarbons quickly evaporated from the dilbit, result-ing in increased dilbit density and viscosity. These changes in dilbit’s physical and chemical properties ultimately led to its submergence after 8 days. We also detected rapid accumulation of polycyclic aromatic compounds in the water column of the treated-microcosms following the spills. Our study provides new information on the environmental fate and behaviour of dilbit in a freshwater environment that will be critical to environmental risk assessments of proposed pipe-line projects. In particular, our study demonstrates the propensity for dilbit to sink under ambient environmental conditions in fresh waters typical of many boreal lakes.

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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: Sans objet
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0030,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0170,004

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,258
Écart entre enseignants0,210 · 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
GenreJeu de données

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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFigshareMême sujetHydrological Forecasting Using AITravaux en français237 207