MétaCan
Menu
Back to cohort

Étude expérimentale de micro-plasmas froids à la pression atmosphérique générés par des hautes tensions de formes différentes

2015· dissertation· W7147384321 on OpenAlexaboutno aff
Kristaq Gazeli

Bibliographic record

Venuenot available
Typedissertation
Language
FieldMedicine
TopicPlasma Applications and Diagnostics
Canadian institutionsnot available
Fundersnot available
KeywordsPlasma instabilityContext (archaeology)Pneumatics

Abstract

fetched live from OpenAlex

Cette thèse porte sur l'étude de micro-plasmas froids à la pression atmosphérique générés à partir de différents réacteurs des configurations basées sur le principe des Décharges à Barrière Diélectrique (DBD) et alimentés par des générateurs de tension impulsionnelle et sinusoïdale. Les plasmas sont formés dans des gaz nobles tels que l'hélium et l'argon (gaz vecteurs), et également dans des mélanges réalisés avec des gaz moléculaires tels que l'azote et l'oxygène afin de produire des Espèces Réactives de l’Azote et de l’Oxygène (ERA, ERO). La (ré)activité chimique du plasma est ainsi supposée être accrue, permettant le traitement de matériaux inertes ou vivants pour diverses applications (fonctionnalisation de surfaces, inactivation de cellules, régénération de tissus vivants, etc.). La caractérisation des plasmas étudiés est réalisée en enregistrant les aspects électriques et optiques en fonction des paramètres élémentaires, comme l’amplitude et la fréquence de la tension, le débit du gaz, la configuration des électrodes, et le rapport cyclique dans le cas du régime pulsé. Ainsi, la (ré)activité chimique des plasmas est évaluée tandis que au même temps les mécanismes de la génération des plasmas et les façons de l’optimisation de la chimie sont dévoilées. Finalement, nous examinons l'efficacité du plasma dans le domaine biomédical en traitant divers systèmes biologiques (bactéries, liposomes, cellules) sans effets thermiques.

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 distilled prediction

Teacher imitation

Not 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.

metaresearch head score (Codex)0.001
metaresearch head score (Gemma)0.002
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Research integrity
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.078
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0010.002
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.000
Bibliometrics0.0000.000
Science and technology studies0.0010.001
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.017
GPT teacher head0.311
Teacher spread0.294 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2015
Admission routes1
Has abstractyes

Explore more

Same topicPlasma Applications and DiagnosticsFrench-language works237,207