Kappaletavara- ja projektilastiopas M/V Pasilalle
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli tehdä kattava ja tiivis kappaletavara- ja projektilastiopas ESL Shippingin Pasila-alukselle. Opinnäytetyö on tutkimusmenetelmältään toiminnallinen. Työssä käsitellään lastioperoinnin kannalta tärkeimmät asiat. Alussa käy-dään läpi yleisimpiä kappaletavara- ja projektilasteja, jonka jälkeen lastin sijoittelua. Keskeisimpiä asioita lastin sijoittelussa ovat seuraavat: rumaan menevän lastin edut kansilastiin verrattuna, välikansien käyttö ja asiat, jotka tulee huomioida kansilastia otettaessa.\n\nAluksen vakavuudesta käsitellään keskeisimmät asiat eli hydrostaattiset pisteet ja niiden vaikutukset vakavuuteen, kansilastin vaikutuksen vakavuuteen, dynaamisen vakavuuden määritelmän, loppulastausesimerkin sekä aluksen trimmiin liittyvät asiat. Lastin kiinnittämisosiossa käsitellään eri merialueiden kiihtyvyyksiä, lastin sidontatarpeen laskemista, lastin sidontavälineitä ja niiden huoltoa. Lastinvalvonta merimatkan aikana -osiossa keskeisimmät asiat ovat ruumien lämpötilan ja kosteuden tarkkailu, sekä ruumien tuulettaminen. Viimeiseksi käydään läpi asiat, jotka tulee huomioida, kun nostetaan raskasta kappaletta aluksen omalla nosturilla.\n\nLastioperointi on yksi perämiesten tärkeimmistä tehtävistä. Tiiviin ja kattavan kappaletavara- ja projektilastioppaan tekeminen oli melko haastavaa. Luotettavan materiaalin löytäminen oli myös melko hankalaa, mutta työn tekeminen opetti minulle todella paljon kappaletavara- ja projektilastioperoinnista ja uskon, että tämä opas hyödyttää yhtiötä operoimaan erilaisten lastien kanssa ja tarjoamaan asiakkaille räätälöityjä kuljetuskokonaisuuksia.
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 | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.063 | 0.022 |
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".