Neutrosophic Analysis of Experimental Data Using Neutrosophic Graeco-Latin Square Design
Notice bibliographique
Résumé
Experimental designs are commonly used to produce valid, defensible, and supportable conclusions. Among commonly used block designs, the class of Latin square designs is used to study factors or treatment levels expressed as Latin letters and applying two blocking factors in rows and columns to simultaneously control two sources of nuisance variability. Another block design in which the error can be controlled by blocking three nuisance factors is obtained by simply using two superimposed Latin square designs, with one using the Latin letters and the other using the Greek letters. Such a design is termed as a Graeco-Latin square (GLS) design. While observing or measuring data in field or lab experiments, it is often noted to have vague, incomplete, and imprecise data for whatsoever reasons. In this regard, researchers have proposed various emerging approaches, which are based on fuzzy, intuitionistic fuzzy, and neutrosophic logic, and provide deeper understanding, analysis, and interpretations of the data. In this paper, we provide a brief review of the history of GLS designs and propose a neutrosophic Graeco-Latin square design, its model, and the analysis. To illustrate this, we have considered an experimental study which analyzes the effects of different formulations of a rocket propellant, which are used in aircrew escape systems, on the observed burning rate.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 tête enseignante, 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 ».