An Earlier Predictive Rollover Index Designed for Bus Rollover Detection and Prevention
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As vehicle rollovers annually cause a great deal of traffic-related deaths, an increasing number of vehicles are being equipped with rollover prevention systems with the aim of avoiding such accidents. To improve the functionality of active rollover prevention systems, this study provided a potential enhanced method with the intention to predict the tendency of the lateral load transfer ratio (LTR), which is the most common rollover index. This will help provide a certain amount of lead time for the control system to respond more effectively. Before the prediction process, an estimation equation was proposed to better estimate the LTR; the equation was validated using Simulink and TruckSim. Further, to eliminate the influence of drawbacks and make this method practical, a buffer operator was added. Simulation results showed that grey LTR (GLTR) was able to roundly predict the future trend of the LTR based on current and previous data. Under the tests of “Sine with Dwell” (Sindwell) and double lane change (DLC), the GLTR could provide the control system with sufficient time beforehand. Additionally, to further examine the performance of the GLTR, a differential system model was adopted to verify its effectiveness. Through the Sindwell maneuver, it was demonstrated that the GLTR index could improve the performance of the rollover prevention systems by achieving the expected response.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 découle