Estimation for Runway Friction Coefficient Based on Multi-Sensor Information Fusion and Model Correlation
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
Friction is a crucial factor affecting air accident occurrence on landing or taking off. Tire-runway friction directly contributes to aircraft stability on land. Therefore, an accurate friction estimation is a rising issue for all stakeholders. This paper summarizes the existing measurement methods, and a multi-sensor information fusion scheme is proposed to estimate the friction coefficient between the tire and the runway. Acoustic sensors, optical sensors, tread sensors, and other physical sensors form a sensor system that is used to measure friction-related parameters and fuse them through a neural network. So far, many attempts have been made to link the ground friction coefficient with the aircraft braking friction coefficient. The models that have been developed include the International Runway Friction Index (IRFI), Canada Runway Friction Index (CRFI), and other fitting models. Additionally, this paper attempts to correlate the output of the neural network (estimated friction coefficient) with the correlation model to predict the friction coefficient between the tire and the runway when the aircraft brakes. The sensor system proposed in this paper can be regarded as a mobile weather-runway-tire system, which can estimate the friction coefficient by integrating the runway surface conditions and the tire conditions, and fully consider their common effects. The role of the correlation model is to convert the ground friction coefficient to the grade of the aircraft braking friction coefficient and the information is finally reported to the pilots so that they can make better decisions.
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 | 0,000 |
| 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