Impact of sample preparation on bitumen content measurement using laser-induced breakdown spectroscopy
Notice bibliographique
Résumé
The impact of sample preparation on bitumen content measurement using LIBS was investigated by collecting spectra from wet and dry tailings. A multivariate data analysis model was developed using optimal wavelength selection for bitumen content classification and prediction in tailings. Wet tailings can be classified into three classes (low, medium, and high bitumen) with 12.1 % error, while dry tailings have a classification error of 6.1 %. Quantitative analysis showed a bitumen content prediction error of 4.7 % for wet tailings and 8.9 % for dry tailings. Wet tailings showed a 1.8–2.5 times improvement in the limit of detection range compared to dry tailings. Plasma density and crater size measurements revealed that plasma density fluctuation was 2.7 times lower in wet tailings due to consistent crater formation from laser-tailings interaction. The lower plasma density fluctuation indicates a stable mass ablation for wet samples, which is attributed as the primary reason for significant LIBS performance improvement on wet tailings. • Optimization of multivariate calibration model for improved prediction accuracy of the bitumen measurement in using LIBS. • Bitumen measurement accuracy significantly improved in wet tailings compared to dry tailings. • Plasma density and laser-produced craters are substantially consistent for wet tailings. • Use of compact laser and developed calibration model are promising for the future advancement of portable LIBS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».