MétaCan
Menu
Retour à la cohorte
Enregistrement W2136059142 · doi:10.2514/6.2007-1773

Intelligent Identification System with Applications to Transient Aeroelastic Data

2007· article· en· W2136059142 sur OpenAlexafffund
Cristina Popescu, Yau Shu Wong

Notice bibliographique

Revue48th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference · 2007
Typearticle
Langueen
DomaineEngineering
ThématiqueAeroelasticity and Vibration Control
Établissements canadiensUniversity of Alberta
Organismes subventionnairesMcGill UniversityTexas A and M University
Mots-clésAeroelasticityTransient (computer programming)Identification (biology)Computer scienceSystem identificationControl engineeringAerodynamicsAerospace engineeringEngineeringData modelingDatabase

Résumé

récupéré en direct d'OpenAlex

In recent years, intelligent systems have become popular tools in dealing with practical problems in science and engineering. In aeroelasticity applications, a key step in developing a robust intelligent system is to construct an appropriate mathematical model which reproduces the important features of the aeroelastic system. Structural nonlinearity in aeroelasticity can be classied as dieren tiable (such as polynomial spring) or piecewise dieren tiable (such as freeplay). The corresponding mathematical models are completely dieren t, the former is a truly nonlinear system, and the later can be described by three linear systems according to the locations of the switching points. Hence, identifying the specic type of structural nonlinearity is an important component for an intelligent system. Given a transient data arising from an aeroelastic system with structural nonlinearity, this paper rst discusses the following questions: 1) how to detect the existence of the nonlinearity, 2) how to determine the specic type of structural nonlinearity, and 3) how to estimate the switching points for a freeplay model. In the second part of the present paper, we present a Kalman-based approach for the system identication. For a freeplay aeroelastic system, the Expectation Maximization algorithm and the linear Kalman lter are used to estimate the system parameters. For an aeroelastic model with polynomial nonlinearity, the extended Kalman lter or the unscented lter must be employed. Finally, we demonstrate that the developed intelligent system can be used to accurately predict the asymptotic state of a nonlinear aeroelastic system. Results obtained using wind-tunnel experimental transient data are reported.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,017
Tête enseignante GPT0,240
Écart entre enseignants0,223 · 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 source (Gemma direct ou Codex distillé), 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
GenreMéthodes

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

En bref

Citations1
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revue48th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials ConferenceMême sujetAeroelasticity and Vibration ControlTravaux en français237 207