Frazil ice measurements using the four-frequency AQUAscat sonar in laboratory and field environments
Notice bibliographique
Résumé
This research describes laboratory experiments conducted to investigate the capability of a multifrequency Aquatec AQUAscat 1000R sonar in detecting and measuring frazil ice particles. A series of laboratory experiments were conducted at the University of Manitoba and the University of Alberta to measure the particle size and concentration of frazil ice particles using four transducers, including 0.3, 0.5, 2 and 4 MHz. Also, the AQUAscat Toolkit software was utilized to post-process the logged data using the sonar instrument. The results indicated that the 2 MHz transducer was the most sensitive to the presence of frazil ice particles, while the 0.3 MHz had the least sensitivity. The device started to detect the frazil ice particles when the maximum supercooling occurred. The concentration was determined to reach its maximum value of 0.65% and 0.45% in different setups at the University of Manitoba and the University of Alberta, respectively. The outcomes showed that the mean frazil particle size ranged from 100 to 300 µm at the University of Alberta in a supercooling event. In contrast, the findings based on experiments conducted at the University of Manitoba were unreliable due to the large number of bad cells within the particle size data. \nThe multifrequency sonar instrument was deployed on the riverbed at Dauphin River for a one-day experiment on December 6, 2022. It was revealed that the apparatus was able to detect the frazil ice particles but not the frazil flocs and ice rafts. The results showed that the average concentration of frazil ice was 0.0066%. Although the particle size outcomes were not reliable in the first 25 cm above the transducers, the average particle size in the rest of the water column was found to be between 150 and 300 µm.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».