Data Fusion by a Supervised Learning Method for Orientation Estimation Using Multi-Sensor Configuration Under Conditions of Magnetic Distortion and Shock Impact
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
Accurate subsurface sensing during directional drilling is critical in the mining and energy extraction industries. One challenge is to measure the azimuth accurately. Azimuth measurements are hindered by magnetic disturbances such as iron debris, especially when magnetometers are used. Moreover, gyroscopes are susceptible to shocks during drilling surveys. To overcome these challenges, we developed a supervised learning filter (SLF) using a multi-sensor configuration (MSC) to accurately estimate the azimuth. The MSC consists of micro-electro-mechanical systems (MEMS) based magnetometers, gyroscopes, and accelerometers into two set of sensors, and the groups are separated by a known distance D to acquire additional rotational information using a dual acceleration difference (DAD) method. Also, D can reduce the negative effect of magnetic disturbances. A Kalman filter (KF) with known a priori noise information removes white noise; however, it is difficult to deal with unknown magnetic and shock disturbances. To reduce the effect of unknown magnetic and shock disturbances, we use the SLF to estimate orientation information. First, the SLF employs an adaptive neuro network fuzzy inference system (ANFIS) to build error models of each sensor; then the SLF calculates the proper weights of the sensors using the error models. Lab-scale experiments are performed on a test rig where the SLF is evaluated using one case with training and verified using two cases without training. The results showed an improvement in azimuth estimation.
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