Viên nén là gì? Các công bố khoa học về Viên nén

Lee S. Shulman xây dựng nền tảng cho cải cách giảng dạy dựa trên một quan niệm về giảng dạy nhấn mạnh đến sự hiểu biết và lập luận, sự biến đổi và sự phản ánh. "Sự nhấn mạnh này là hợp lý," ông viết, "bởi sự kiên quyết mà theo đó nghiên cứu và chính sách đã trắng trợn bỏ qua những khía cạnh của giảng dạy trong quá khứ." Để trình bày và biện minh cho quan điểm này, Shulman trả lời bốn câu hỏi: Các nguồn gốc của cơ sở tri thức cho giảng dạy là gì? Làm thế nào để có thể khái niệm hóa những nguồn này? Các quá trình lý luận và hành động sư phạm là gì? và Những hệ quả cho chính sách giảng dạy và cải cách giáo dục là gì? Các câu trả lời — được thông tin bởi triết học, tâm lý học và số lượng ngày càng tăng của nghiên cứu tình huống dựa trên những người thực hành trẻ tuổi và có kinh nghiệm — đi xa hơn nhiều so với những giả định và sáng kiến cải cách hiện tại. Kết quả đối với những người thực hành giáo dục, học giả và nhà hoạch định chính sách là sự chuyển hướng lớn trong cách giảng dạy được hiểu và giáo viên được đào tạo và đánh giá.

Bài báo này đã được chọn cho số đặc biệt tháng 11 năm 1986 về "Giáo viên, Giảng dạy, và Đào tạo Giáo viên", nhưng xuất hiện ở đây do những yêu cầu cấp bách của việc xuất bản.

Khả năng sử dụng các vật liệu gốm xốp trong việc sửa chữa vĩnh viễn các khuyết tật xương được nghiên cứu từ quan điểm tương thích sinh lý và sự phát triển của xương tự nhiên. Các mẫu aluminat canxi nung ở nhiệt độ cao, có dạng viên hình trụ đường kính bằng một phần tư inch với các mạng xốp liên kết, đã được cấy ghép in vivo vào xương đùi của chó, trong khoảng thời gian 4, 11 và 22 tuần. Các cấy ghép có độ xốp 65% với kích thước lỗ rỗng nằm trong một trong năm khoảng rõ rệt từ dưới 45 μ đến khoảng 200 μ đường kính.

Các mẫu mô được chuẩn bị bằng cách mài các mặt cắt ngang đã được gắn (poly) methyl methacrylate của xương đùi chứa các mẫu gốm đã cấy ghép và các mô mềm lân cận. Sự tương thích giữa mô và bộ phận giả đã được xác định bằng các quy trình làm mỏng mô tiêu chuẩn, các cuộc kiểm tra bằng kính hiển vi điện tử chùm vi bé, các kỹ thuật tự phát quang, các kỹ thuật microfadiographic, các kỹ thuật hóa vi và các kỹ thuật huỳnh quang cực tím. Các đánh giá kính hiển vi quang học của từng mặt cắt cho thấy các mẫu gốm được liên kết nhẹ nhàng bởi xương tự nhiên và không có dấu hiệu nào cho thấy sự không tương thích giữa mô. Kích thước lỗ nhỏ tối thiểu cho sự phát triển ngấm vào xương tự nhiên được chỉ ra là nằm trong khoảng từ 75 đến 100 μ.

Đất ngập nước là một trong những hệ sinh thái quan trọng nhất, cung cấp môi trường sống lý tưởng cho một loạt lớn các loài thực vật và động vật. Lập bản đồ và mô hình hóa đất ngập nước sử dụng dữ liệu Quan Sát Trái Đất (EO) là điều thiết yếu cho quản lý tài nguyên thiên nhiên ở cả cấp độ khu vực và quốc gia. Tuy nhiên, việc lập bản đồ đất ngập nước chính xác là một thách thức, đặc biệt là trên quy mô lớn, do cảnh quan đa dạng và bị phân mảnh, cũng như sự tương đồng phổ giữa các lớp đất ngập nước khác nhau. Hiện tại, thiếu các kiểm kê đất ngập nước chính xác, nhất quán và toàn diện ở quy mô quốc gia hoặc tỉnh trên toàn cầu, với hầu hết các nghiên cứu tập trung vào việc tạo bản đồ quy mô địa phương từ dữ liệu viễn thám có giới hạn. Tận dụng sức mạnh tính toán của Google Earth Engine (GEE) và sự sẵn có của dữ liệu viễn thám có độ phân giải không gian cao được thu thập bởi Copernicus Sentinels, nghiên cứu này giới thiệu bản đồ kiểm kê đất ngập nước chi tiết đầu tiên ở cấp độ tỉnh của một trong các tỉnh giàu đất ngập nước nhất ở Canada về mặt mở rộng đất ngập nước. Cụ thể, dữ liệu tổng hợp từ nhiều năm radar khẩu độ tổng hợp (SAR) Sentinel-1 mùa hè và quang học Sentinel-2 được sử dụng để xác định sự phân bố không gian của năm lớp đất ngập nước và ba lớp không phải đất ngập nước trên Đảo Newfoundland, bao phủ diện tích xấp xỉ 106,000 km2. Các kết quả phân loại được đánh giá bằng cách sử dụng cả phân loại kiểu dựa trên điểm ảnh và thể đối tượng, sử dụng phương pháp rừng ngẫu nhiên (RF) được triển khai trên nền tảng GEE. Kết quả cho thấy sự vượt trội của phương pháp dựa trên đối tượng so với phương pháp phân loại dựa trên điểm ảnh cho lập bản đồ đất ngập nước. Mặc dù việc phân loại sử dụng dữ liệu quang học nhiều năm chính xác hơn so với SAR, nhưng việc kết hợp cả hai loại dữ liệu đã cải thiện đáng kể độ chính xác phân loại của các lớp đất ngập nước. Đặc biệt, độ chính xác tổng thể đạt 88,37% và hệ số Kappa đạt 0,85 với tổ hợp SAR/quang học nhiều năm sử dụng phân loại RF dựa trên đối tượng, trong đó tất cả các lớp đất ngập nước và không phải đất ngập nước đều được xác định chính xác với độ chính xác lần lượt trên 70% và 90%. Kết quả cho thấy sự chuyển đổi từ các sản phẩm và phương pháp tĩnh tiêu chuẩn sang việc tạo ra các bản đồ phủ sóng đất ngập nước động, theo yêu cầu, quy mô lớn thông qua các tài nguyên điện toán đám mây tiên tiến, đơn giản hóa truy cập và xử lý 'Dữ liệu Toàn Địa'. Ngoài ra, bản đồ kiểm kê ngày càng đòi hỏi của Newfoundland rất có giá trị và có thể được sử dụng bởi nhiều bên liên quan, bao gồm các chính phủ liên bang và tỉnh, các thành phố, các tổ chức phi chính phủ và các chuyên gia môi trường, chỉ đề cập đến một số ít.

Các bộ phân loại học máy ngày nay đang được sử dụng ngày càng nhiều cho việc lập bản đồ Sử dụng Đất và Phủ Lớp (LULC) từ hình ảnh viễn thám. Tuy nhiên, để chọn đúng bộ phân loại cần phải hiểu các yếu tố chính ảnh hưởng đến hiệu suất của chúng. Nghiên cứu hiện tại đã điều tra trước hết là tác động của thiết kế lấy mẫu huấn luyện đến kết quả phân loại thu được bởi bộ phân loại Random Forest (RF), và thứ hai là so sánh hiệu suất của nó với các bộ phân loại học máy khác cho việc lập bản đồ LULC sử dụng dữ liệu viễn thám vệ tinh đa thời gian và nền tảng Google Earth Engine (GEE). Chúng tôi đã đánh giá tác động của ba phương pháp lấy mẫu, cụ thể là Lấy Mẫu Ngẫu Nhiên Phân Tầng Đều (SRS(Eq)), Lấy Mẫu Ngẫu Nhiên Phân Tầng Theo Tỷ Lệ (SRS(Prop)), và Lấy Mẫu Hệ Thống Phân Tầng (SSS) đến kết quả phân loại thu được bởi mô hình LULC được huấn luyện RF. Kết quả của chúng tôi cho thấy rằng phương pháp SRS(Prop) có lợi cho các lớp lớn đồng thời đạt được độ chính xác tổng thể tốt. Phương pháp SRS(Eq) cung cấp độ chính xác tốt ở cấp độ lớp, ngay cả đối với các lớp thiểu số, trong khi phương pháp SSS hoạt động tốt cho các khu vực có độ biến đổi trong lớp lớn. Để đánh giá hiệu suất của các bộ phân loại học máy, RF vượt trội hơn Cây Phân Loại và Hồi Quy (CART), Máy Vector Hỗ Trợ (SVM), và Máy Vector Liên Quan (RVM) với mức độ tin cậy >95%. Hiệu suất của các bộ phân loại CART và SVM được thấy là tương tự nhau. RVM đạt được kết quả phân loại tốt với số lượng mẫu huấn luyện hạn chế.

Các cơ chế thất bại động học của đất xung quanh nền móng có viền, được đặt trong đất sét nhẹ bị quá nén và chịu tải nén cũng như kéo không thoát nước, đã được nghiên cứu thông qua phân tích hình ảnh kỹ thuật số của các thí nghiệm ly tâm trống và được so sánh với các dự đoán từ phân tích phần tử hữu hạn. Phân tích các hình ảnh ghi lại trong các thí nghiệm ly tâm cho thấy rằng các cơ chế động học khá khác nhau kiểm soát thất bại ở trạng thái kéo và nén. Trong tình trạng kéo, một cơ chế chịu lực đáy đảo ngược liên quan đến một khối đất phía dưới nền móng đã được kích hoạt ngay cả khi tỷ lệ giữa độ sâu viền với đường kính nền móng chỉ là 0,1. Các hệ số khả năng chịu tải từ các thí nghiệm ly tâm đối với một tỷ lệ chôn sâu đã chọn tương tự trong trạng thái nén và nâng mặc dù có sự khác biệt về cơ chế thất bại liên quan. Sự so sánh giữa các cơ chế thất bại quan sát được trong các thí nghiệm ly tâm với các cơ chế được dự đoán bởi phân tích phần tử hữu hạn cho thấy có một số khác biệt rõ rệt, bất chấp sự phù hợp gần gũi của các hệ số khả năng chịu tải.