Vertailu Suomen markkinoilla olevista kuormainvaaoista
Bibliographic record
Abstract
Tämän opinnäytetyön tavoitteena oli selvittää Suomen markkinoilla olevien kuormainvaakojen mittatarkkuuksia, ominaisuuksia ja käytettävyyttä. Opinnäytetyön tarkoituksena oli kerätyn aineiston pohjalta luoda erillinen raportti toimeksiantajalle Stora Enso Oyj:lle. \nAihe valikoitui työelämälähtöisesti toimeksiantajan tarpeesta saada kooste kuormainvaakojen nykytilanteesta, koska aiempi samankaltainen saatavilla oleva raportti on vuodelta 2010. Aiempi raportti ei vastaa markkinoilla olevien kuormainvaakojen tilannetta, jonka vuoksi oli aiheellista toteuttaa uusi tilannekatsaus. \nOpinnäytetyössä on käsitelty kuormainvaakojen teknisiä ominaisuuksia, kuormainvaakamittauksen käytäntöjä sekä lakeja ja asetuksia koskien kuormainvaakamittausta. Tietoperustassa on kuvailtu kuormainvaa’an mittatarkkuuden seuranta ja kalibrointi sekä viritys ja mittatarkkuuteen vaikuttavia tekijöitä. Opinnäytetyössä on käsitelty selvityksen pohjalta saadut tiedot kuormainvaakavalmistajakohtaisesti. \nOpinnäytetyön tulosten pohjalta kuormainvaakojen väliset eroavaisuudet ovat pieniä, kuitenkin mittaustekniikka ja kuormainvaakojen soveltuvuus työkoneisiin nousivat merkittävimmiksi eroiksi. Tässä työssä käsitellyistä kuormainvaaoista yksi soveltuu puutavara-autojen ja kolme kuormatraktoreiden käyttöön, kun muut kuormainvaaoista on käytettävissä molemmissa. Toiminnallisen osuuden tuloksena merkittäviä eroavaisuuksia ei havaittu kuormainvaakojen ominaisuuksissa, kuten punnitustarkkuudessa tai punnitusalueessa.
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) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.096 | 0.030 |
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".