dose_cv_lognormal — DRIVE `doseunif` op

• Datenarten: scalar × scalar × scalar × scalar → table

• Aufruf: import fullseye as fs; fs.ledger.dose_cv_lognormal(d_median: 'float', sigma_ln: 'float', dose_mg: 'float', density: 'float', basis: 'str' = 'number', method: 'str' = 'closed', sampling: 'str' = 'poisson', n_rep: 'int' = 2000, seed: 'int' = 0, max_draws: 'int' = 20000000) -> 'dict' (die Implementierung direkt: import doseunif; doseunif.dose_cv_lognormal(d_median: 'float', sigma_ln: 'float', dose_mg: 'float', density: 'float', basis: 'str' = 'number', method: 'str' = 'closed', sampling: 'str' = 'poisson', n_rep: 'int' = 2000, seed: 'int' = 0, max_draws: 'int' = 20000000) -> 'dict'; aus dem Register: opsdrive.get("dose_cv_lognormal"))

Verwendung

CV des Gehalts je 1 Dosis (Wirkstoff dose_mg), entnommen aus einem Pulver mit log-normalen Partikelgrößen (nur Schwankung der Teilchenzahl).

Geschlossene Form (Herleitung im Modulkopf): CV² = c · D63³ / D, c = πρ/6, D63³ = d_g³ exp(13.5 σ²) = d_v³ exp(4.5 σ²). basis:

"number" (d_median ist der anzahlbasierte Mediandurchmesser d_g, wie Partikel im Bild gezählt werden) / "volume" (volumenbasierter Mediandurchmesser d_v, D50 der Laserbeugung). sampling: "poisson" (Standard, Partikelzahl N ist Poisson-verteilt) / "fixed_count" (N fest auf die gerundete ganze Zahl von λ, CV² = CV²_Poisson − 1/N). method="monte_carlo": erzeugt eine Dosis n_rep-mal (N ziehen, N Durchmesser aus der Lognormalverteilung ziehen und die Massen summieren) und gibt den Stichproben-CV zurück —— ein von der geschlossenen Form unabhängiger Weg (die Formel wird nicht benutzt). Der Standardfehler cv_mc_se stammt aus der Streuung von 20 Bündeln. Übersteigt die Gesamtzahl gezogener Durchmesser max_draws, wird nicht stillschweigend reduziert, sondern ValueError ausgelöst (λ × n_rep prüfen und n_rep verringern oder die geschlossene Form verwenden).

Rückgabe: cv (Wert von method), cv_closed, particles_per_dose (λ; bei fixed_count die ganze Zahl N), mean_particle_mg, d63, d_number_median und d_volume_median [µm], basis, sampling, method; bei Monte Carlo zusätzlich cv_mc, cv_mc_se, n_rep, draws. Raises ValueError: eine Größe, die positiv sein muss, ist es nicht, Schreibfehler, N < 2 bei fixed_count, Monte-Carlo-Gesamtzahl über der Grenze.

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

Ausführbare Beispiele (verifizierte Samples, die diesen Operator wirklich aufrufen)

• poc_dose_uniformity_from_grinding — py -3.11 examples/poc_dose_uniformity_from_grinding.py

Typkompatible Folge-Operatoren (nehmen `table` als Eingabe)

course_layout · course_occupancy · course_contains · world_build · world_camera · world_move · lidar_scan · rss_longitudinal_same

Gleiche Kategorie (`doseunif`)

dose_cv_from_sizes · grind_time_for_dose_cv

*Provenance: doseunif.py — DRIVE Operator-Registry. Diese Notiz wird von tools/opdocs.py md erzeugt (nicht von Hand bearbeiten).*

dose_cv_lognormal — DRIVE doseunif op