Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Fault-tolerance in commercial aircraft applications is typically achieved by redundancy. In such redundant systems the primary component is checked before the start of a flight to see if it operates correctly. The aircraft will not take off unless the primary is functioning. Airplane manufacturers must certify the airplane systems to be safe for flight. One means of safety certification is by safety analysis which shows that the probability of failure in a typical flight is bounded. The probability bound requirement for a system is based on the criticality of system failure.</div><div class="htmlview paragraph">Usually backup components are checked at intervals that span multiple flights. The first backup may be checked more frequently than the second or higher levels. This leads to flights where the system may have latent faults in the backup components. The probability of failure in such cases varies from flight to flight due to the different exposure times for components in the system. So we are led into the concept of “Average Probability of Failure per Flight”.</div><div class="htmlview paragraph">AC/AMC 25.1309 and SAE ARP 4761 document simple formulas for average probability failure calculation which are applicable under restricted conditions such as small failure rates etc. In this paper we will discuss new methodologies and equations which relax these restrictions. The intent of this paper is to provide a single source for Average Probability of Failure per Flight calculations, describe the role of advanced Markov and Petri Net tools in these calculations, and provide best practice recommendations.</div></div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,015 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».