Análisis de regresión: Enfoque del desempeño de la curva de ruptura en un sistema dinámico
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
La presencia de arsénico en agua de consumo humano es un problema sanitario que ha recibido interés de investigación en las últimas décadas. El objetivo de este trabajo fue evaluar la incidencia que tienen el análisis de regresión lineal y no lineal, sobre la estimación de los parámetros de adsorción de diversos modelos matemáticos, para explicar el proceso dinámico de remoción de contaminantes. Para ello, se utilizaron zeolitas químicamente modificadas para la adsorción de As(V) en un sistema dinámico de columna de lecho fijo. La cinética de adsorción se analizó con los modelos lineales y no lineales de Thomas y Yan y la Ecuación de Advección de Dispersión (EAD). En la regresión no lineal, el modelo de mejor ajuste fue evaluado utilizando seis índices de ajuste, mientras que los parámetros óptimos de los modelos se identificaron por la suma del error normalizado (SNE). La minimización óptima de la distribución del error (DDE), entre valor experimental y modelado, se logró con el índice de ajuste r2 para Thomas no lineal (TNL), mientras la suma del error absoluto (EABS) y la suma del cuadrado del error (ERRSQ), lo hicieron para Yan no lineal (YNL) y la EAD. Existe divergencia en la estimación paramétrica a partir del enfoque de modelación utilizado, derivada de los cambios inducidos en la DDE por la linealización de los modelos. La idoneidad para explicar el proceso de adsorción sigue el orden: TNL>EAD> YNL> Thomas lineal (TL)>Yan lineal (YL). Se puede concluir que la regresión no lineal fue más apropiada para el proceso de estimación paramétrica de los modelos de adsorción.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| 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 it