MétaCan
Menu
Retour à la cohorte
Enregistrement W2067884544 · doi:10.1243/09544100jaero303

Uncertainty-based model-order reduction of flexible systems preserving robust closed-loop performance

2008· article· en· W2067884544 sur OpenAlexaff
Nabil Aouf, Benoît Boulet

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part G Journal of Aerospace Engineering · 2008
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueModel Reduction and Neural Networks
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésReduction (mathematics)Representation (politics)Control theory (sociology)InverseComputer scienceModel order reductionLoop (graph theory)Closed loopUncertainty reduction theoryUncertainty quantificationRobust controlMathematical optimizationControl (management)Control systemControl engineeringMathematicsAlgorithmEngineeringArtificial intelligenceMachine learning

Résumé

récupéré en direct d'OpenAlex

In the current paper, initial research results on uncertainty-based closed-loop model-order reduction techniques for flexible systems are detailed. Two uncertainty models to decide what flexible modes to be truncated from the original flexible system model while preserving closed-loop performance are presented. Robust control framework is used with the robust performance criterion to show that the new inverse uncertainty representation of flexible modes gives better closed-loop performance than the more classical additive uncertainty representation adapted, in the current paper, for flexible systems. Simulation based on a three mass flexible model validates the good results of the inverse uncertainty model-order reduction technique.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,184
Score d'incertitude au seuil0,613

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,022
Tête enseignante GPT0,208
Écart entre enseignants0,187 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part G Journal of Aerospace EngineeringMême sujetModel Reduction and Neural NetworksTravaux en français237 207