MétaCan
Menu
Retour à la cohorte
Enregistrement W2908140950 · doi:10.1061/(asce)as.1943-5525.0000972

Review of Model Order Reduction Methods and Their Applications in Aeroelasticity Loads Analysis for Design Optimization of Complex Airframes

2018· article· en· W2908140950 sur OpenAlexafffund
Paul Vazhayil Thomas, Mostafa S. A. ElSayed, Denis Walch

Notice bibliographique

RevueJournal of Aerospace Engineering · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Health Monitoring Techniques
Établissements canadiensBombardier (Canada)Carleton University
Organismes subventionnairesMitacsBombardier
Mots-clésAirframeAeroelasticityReduction (mathematics)Model order reductionComputer scienceFinite element methodControl theory (sociology)EngineeringStructural engineeringMathematicsAlgorithmAerodynamicsAerospace engineeringProjection (relational algebra)

Résumé

récupéré en direct d'OpenAlex

Identification of an aircraft critical loads envelope requires a lengthy and rigorous analysis procedure that includes simulating the aircraft in thousands of load cases identified in certification requirements. Imposing a global finite-element model (GFEM) in this process is computationally very expensive, so reduced order models (ROMs) of airframes are commonly used, particularly in iterative static and dynamic aeroelasticity analyses. ROMs must be simple enough to be analyzed thousands of times during a iterative aeroelastic simulation but accurate enough to have dynamic characteristics closely matching those of the GFEM within a frequency range of interest. This paper reviews various techniques of model order reduction (MOR) available in the literature including stiffness extraction by unitary loadings, which is commonly used in the aerospace industry, and linear algebraic matrix-based reduction methodologies. This article presents a case study where the discussed MOR methodologies are used in normal-mode analysis, static, and dynamic aeroelasticity loads analyses of a Bombardier aircraft platform to demonstrate the efficiency of each ROM reviewed. Results obtained show that a ROM generated using component mode synthesis (CMS) has superior dynamic characteristics compared to all other reduction methods reviewed. Compared to the GFEM, it is found that errors in RMS values of loads recovered using the fixed and free interface CMS ROM subject to tuned discrete gust are 1.17% and 1.14%, respectively. Similarly, errors found in the RMS values of the magnitude of loads recovered due to von Karman power spectral density gust are 0.56% and 0.75% for the fixed and free interface CMS ROM, respectively.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,050
Tête enseignante GPT0,360
Écart entre enseignants0,310 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations26
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Aerospace EngineeringMême sujetStructural Health Monitoring TechniquesTravaux en français237 207