Contrôle non destructif des isolations électriques par spectroscopie diélectrique durant la fabrication des bornes de traversée
Bibliographic record
Abstract
Le coût des bornes de traversée est relativement insignifiant, comparé à celui des équipements de puissance pour lesquels elles permettent au courant de traverser la cuve métallique des appareils maintenue à la masse. Cependant, ces bornes sont très importantes car leur défaillance peut entraîner la destruction totale de l'appareil. Par conséquent, la qualité de leur isolation doit être aussi excellente que possible. Dans ce travail, des techniques spectroscopiques dans les domaines temporel et fréquentiel sont utilisées pour le suivi des différentes étapes de fabrication d'une borne de traversée. Les résultats obtenus montrent que l'application de ces méthodes à la surveillance de l'isolation des équipements de puissance durant la fabrication est extrêmement utile ; les mesures effectuées fournissent des informations sur la qualité de cette isolation. Les défauts de fabrication étant des contraintes fortes que l'on se doit d'appréhender systématiquement lors de la conception des équipements, l'utilisation de ces techniques modernes apparaît comme une alternative très intéressante pour le suivi de la fabrication des équipements de puissance ou accessoires, sur une base solide et scientifique.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".