Nestemäisen kuivattimen käyttö ilmanvaihtokoneessa
Bibliographic record
Abstract
Opinnäytetyön tarkoituksena oli selvittää nestemäisen kuivatuksen hyötyjä tavanomaiseen jäähdytyskuivatukseen verrattuna sekä tuoda aiheesta tietoa suomen kielelle. Aiheeseen kuului myös kuivatusainejärjestelmän ongelmien, sekä niiden mahdollisien ratkaisujen selvittäminen. Ilmastointikoneen tuottamassa jäähdytyksessä on tärkeää, että tuloilmasta poistetaan kosteus. Tuloilman kosteuden poistaminen syö tavanomaisissa järjestelmissä merkittävän osan jäähdytystehosta ja ilman kuivatusjärjestelmän tarkoitus on vähentää tätä energiankulutusta. Kehitteillä olevilla kuivatusjärjestelmillä on mahdollista saavuttaa suuria energiansäästöjä. \n \nTyössä tutkittiin myös vaihtoehtoisia veden haihduttamiseen perustuvia jäähdytysjärjestelmiä, jotka eivät käytä ilmakehän otsonikerrokselle haitallisia kylmäaineita. Nestemäinen kuivatus on aiheena todella laaja, joten erityyppisiä adsorptioliuoksen regenerointi menetelmiä jätettiin tarkoituksella käsittelemättä. Opinnäytetyön lähteinä on käytetty paljon englanninkielisiä lähteitä, koska aiheesta ei löydy paljoa tietoa suomen kielellä. Ulkoilman tilaa hyödyntävissä kostean ilman tila esimerkeissä on käytetty suomalaista säädataa. \n \nTämän opinnäytetyön lopputuloksena syntyi suomenkielinen tietopaketti uudesta, kehitteillä olevasta teknologiasta, jonka kaupallistuminen vaatii kokeellista tutkimista ja prototyyppien kehittämistä.
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 | 0.001 | 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 | 0.004 | 0.002 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.114 | 0.040 |
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".