Nút mạch là gì? Các công bố khoa học về Nút mạch
Nút mạch là một thiết bị dùng để kiểm tra và đo tốc độ dòng chảy của chất lỏng trong đường ống. Nó sử dụng nguyên lý hình thái dòng chảy để tính toán tốc độ chả...
Nút mạch là một thiết bị dùng để kiểm tra và đo tốc độ dòng chảy của chất lỏng trong đường ống. Nó sử dụng nguyên lý hình thái dòng chảy để tính toán tốc độ chảy của chất lỏng. Nút mạch thường được sử dụng trong ngành công nghiệp, hệ thống cấp nước, hệ thống xử lý nước thải và trong nhiều ứng dụng khác liên quan đến dòng chảy của chất lỏng.
Nút mạch thường được lắp đặt trong đường ống với áp suất chảy qua. Nó bao gồm một cặp cảm biến áp suất để đo áp suất tĩnh và áp suất động của chất lỏng trong đường ống. Các dữ liệu này sau đó được sử dụng để tính toán tốc độ dòng chảy của chất lỏng bằng cách áp dụng nguyên lý Bernoulli.
Nút mạch có thể được sử dụng để đo tốc độ chảy của nhiều loại chất lỏng khác nhau như nước, dầu, khí đốt, hơi nước và các chất lỏng khác. Nó cũng có thể được tích hợp với các hệ thống tự động hóa để cung cấp dữ liệu chính xác và liên tục về dòng chảy của chất lỏng.
Nút mạch thường được lựa chọn dựa trên yêu cầu cụ thể của ứng dụng, bao gồm kích thước của đường ống, loại chất lỏng, áp suất và nhiệt độ làm việc, và độ chính xác cần thiết trong việc đo lường dòng chảy.
Ngoài việc đo tốc độ dòng chảy, nút mạch cũng có thể được sử dụng để đo áp suất động của chất lỏng trong đường ống. Điều này có thể cung cấp thông tin quan trọng về áp suất và tốc độ dòng chảy, giúp trong việc kiểm soát và điều chỉnh hệ thống để đảm bảo hoạt động hiệu quả và an toàn.
Nút mạch cũng có thể được tích hợp với các hệ thống giám sát và điều khiển tự động, cho phép theo dõi và điều chỉnh tốc độ dòng chảy hoặc áp suất dựa trên yêu cầu cụ thể của hệ thống.
Việc chọn lựa nút mạch đúng cũng rất quan trọng để đảm bảo hiệu suất và độ chính xác. Các yếu tố như phạm vi đo, chất lỏng được đo, nhiệt độ và áp suất làm việc cần được xem xét cẩn thận để chọn loại nút mạch phù hợp.
Danh sách công bố khoa học về chủ đề "nút mạch":
Ruminant Nutrition, Dietary Factors Influencing Development of Ruminant Stomach
Journal of Agricultural and Food Chemistry - Tập 4 Số 9 - Trang 788-792 - 1956
Feasibility and Nutritional Impact of Laparoscopy-assisted Subtotal Gastrectomy for Early Gastric Cancer in the Upper Stomach
Annals of Surgical Oncology - Tập 21 Số 6 - Trang 2028-2035 - 2014
The nutrition of stomachless phytoplanktivorous fish in comparison with Tilapia
Hydrobiologia - Tập 121 Số 2 - Trang 173-179 - 1985
Monitoring the Foliar Nutrients Status of Mango Using Spectroscopy-Based Spectral Indices and PLSR-Combined Machine Learning Models Conventional methods of plant nutrient estimation for nutrient management need a huge number of leaf or tissue samples and extensive chemical analysis, which is time-consuming and expensive. Remote sensing is a viable tool to estimate the plant’s nutritional status to determine the appropriate amounts of fertilizer inputs. The aim of the study was to use remote sensing to characterize the foliar nutrient status of mango through the development of spectral indices, multivariate analysis, chemometrics, and machine learning modeling of the spectral data. A spectral database within the 350–1050 nm wavelength range of the leaf samples and leaf nutrients were analyzed for the development of spectral indices and multivariate model development. The normalized difference and ratio spectral indices and multivariate models–partial least square regression (PLSR), principal component regression, and support vector regression (SVR) were ineffective in predicting any of the leaf nutrients. An approach of using PLSR-combined machine learning models was found to be the best to predict most of the nutrients. Based on the independent validation performance and summed ranks, the best performing models were cubist (R2 ≥ 0.91, the ratio of performance to deviation (RPD) ≥ 3.3, and the ratio of performance to interquartile distance (RPIQ) ≥ 3.71) for nitrogen, phosphorus, potassium, and zinc, SVR (R2 ≥ 0.88, RPD ≥ 2.73, RPIQ ≥ 3.31) for calcium, iron, copper, boron, and elastic net (R2 ≥ 0.95, RPD ≥ 4.47, RPIQ ≥ 6.11) for magnesium and sulfur. The results of the study revealed the potential of using hyperspectral remote sensing data for non-destructive estimation of mango leaf macro- and micro-nutrients. The developed approach is suggested to be employed within operational retrieval workflows for precision management of mango orchard nutrients.
Remote Sensing - Tập 13 Số 4 - Trang 641
Predictive modeling of Persian walnut (Juglans regia L.) in vitro proliferation media using machine learning approaches: a comparative study of ANN, KNN and GEP models Abstract Background Optimizing plant tissue culture media is a complicated process, which is easily influenced by genotype, mineral nutrients, plant growth regulators (PGRs), vitamins and other factors, leading to undesirable and inefficient medium composition. Facing incidence of different physiological disorders such as callusing, shoot tip necrosis (STN) and vitrification (Vit) in walnut proliferation, it is necessary to develop prediction models for identifying the impact of different factors involving in this process. In the present study, three machine learning (ML) approaches including multi-layer perceptron neural network (MLPNN),k -nearest neighbors (KNN) and gene expression programming (GEP) were implemented and compared to multiple linear regression (MLR) to develop models for prediction of in vitro proliferation of Persian walnut (Juglans regia L.). The accuracy of developed models was evaluated using coefficient of determination (R2 ), root mean square error (RMSE) and mean absolute error (MAE). With the aim of optimizing the selected prediction models, multi-objective evolutionary optimization algorithm using particle swarm optimization (PSO) technique was applied. Results Our results indicated that all three ML techniques had higher accuracy of prediction than MLR, for example, calculated R2 of MLPNN, KNN and GEP vs. MLR was 0.695, 0.672 and 0.802 vs. 0.412 in Chandler and 0.358, 0.377 and 0.428 vs. 0.178 in Rayen, respectively. The GEP models were further selected to be optimized using PSO. The comparison of modeling procedures provides a new insight into in vitro culture medium composition prediction models. Based on the results, hybrid GEP-PSO technique displays good performance for modeling walnut tissue culture media, while MLPNN and KNN have also shown strong estimation capability. Conclusion Here, besides MLPNN and GEP, KNN also is introduced, for the first time, as a simple technique with high accuracy to be used for developing prediction models in optimizing plant tissue culture media composition studies. Therefore, selection of the modeling technique to study depends on the researcher’s desire regarding the simplicity of the procedure, obtaining clear results as entire formula and/or less time to analyze.
Plant Methods - - 2022
Nutrient status, algal and cyanobacterial flora of six fresh water streams of Schirmacher Oasis, Antarctica
Hydrobiologia - Tập 299 Số 1 - Trang 83-91 - 1995
Perioperative Artificial Enteral Nutrition in Malnourished Esophageal and Stomach Cancer Patients and Its Impact on Postoperative Complications
Springer Science and Business Media LLC - Tập 10 Số 3 - Trang 460-464 - 2019
Real-time automatic detection and classification of groundnut leaf disease using hybrid machine learning techniques
Multimedia Tools and Applications - Tập 82 Số 2 - Trang 1935-1963 - 2023
Minute carcinoid tumor of the stomach: Report of two cases and review of the japanese literature
Springer Science and Business Media LLC - - 1985
Comparing human milk macronutrients measured using analyzers based on mid-infrared spectroscopy and ultrasound and the application of machine learning in data fitting Abstract
Objective
Fat, carbohydrates (mainly lactose) and protein in breast milk all provide indispensable benefits for the growth of newborns. The only source of nutrition in early infancy is breast milk, so the energy of breast milk is also crucial to the growth of infants. Some macronutrients composition in human breast milk varies greatly, which could affect its nutritional fulfillment to preterm infant needs. Therefore, rapid analysis of macronutrients (including lactose, fat and protein) and milk energy in breast milk is of clinical importance. This study compared the macronutrients results of a mid-infrared (MIR) analyzer and an ultrasound-based breast milk analyzer and unified the results by machine learning.
Methods
This cross-sectional study included breastfeeding mothers aged 22–40 enrolled between November 2019 and February 2021. Breast milk samples (n = 546) were collected from 244 mothers (from Day 1 to Day 1086 postpartum). A MIR milk analyzer (BETTERREN Co., HMIR-05, SH, CHINA) and an ultrasonic milk analyzer (Honɡyanɡ Co,. HMA 3000, Hebei, CHINA) were used to determine the human milk macronutrient composition. A total of 465 samples completed the tests in both analyzers. The results of the ultrasonic method were mathematically converted using machine learning, while the Bland-Altman method was used to determine the limits of agreement (LOA) between the adjusted results of the ultrasonic method and MIR results.
Results
The MIR and ultrasonic milk analyzer results were significantly different. The protein, fat, and energy determined using the MIR method were higher than those determined by the ultrasonic method, while lactose determined by the MIR method were lower (all p < 0.05). The consistency between the measured MIR and the adjusted ultrasound values was evaluated using the Bland-Altman analysis and the scatter diagram was generated to calculate the 95% LOA. After adjustments, 93.96% protein points (436 out of 465), 94.41% fat points (439 out of 465), 95.91% lactose points (446 out of 465) and 94.62% energy points (440 out of 465) were within the LOA range. The 95% LOA of protein, fat, lactose and energy were - 0.6 to 0.6 g/dl, -0.92 to 0.92 g/dl, -0.88 to 0.88 g/dl and - 40.2 to 40.4 kj/dl, respectively and clinically acceptable. The adjusted ultrasonic results were consistent with the MIR results, and LOA results were high (close to 95%).
Conclusions
While the results of the breast milk rapid analyzers using the two methods varied significantly, they could still be considered comparable after data adjustments using linear regression algorithm in machine learning. Machine learning methods can play a role in data fitting using different analyzers.
Springer Science and Business Media LLC -
Tổng số: 239
- 1
- 2
- 3
- 4
- 5
- 6
- 10