Exploring Collaborative and Multidisciplinary Aircraft Optimization\n through the AGILE Academy Challenge -- A case study for an aircraft auxiliary\n solar power system
Notice bibliographique
Résumé
Reduction in aircraft emission is a main driver for the development of more\nefficient aircraft and enabling technologies are reaching operational maturity.\nAircraft manufacturers need an efficient product development process to capture\nthese emergent technologies and develop new aircraft concepts in order to stay\ncompetitive. Presently, the aircraft development process is cross\norganizational, and harnesses distributed, heterogeneous knowledge and\nexpertise. Large scale multidisciplinary studies, involving disciplinary\nexperts and specific tools are required to evaluate different aircraft\nconcepts. These MultiDisciplinary Aircraft Optimization (MDAO) processes are\ndifficult to deploy as they involve cross-organizational collaboration and\nharmonization of processes, tools and even vocabulary. Moreover, difficulties\nin collaborative decision making, reconfiguration and integration of new\nrequirements and competencies often precludes the development of an optimal\nsolution within the available time. To address these challenges, the AGILE\nproject is an effort within the European Union funded Horizon 2020 project to\nreduce aircraft development time by developing tools and processes that enable\nefficient, collaborative aircraft design. This paper presents the work\nperformed as part of the AGILE academy challenge where students were tasked\nwith developing and solving an aircraft MDAO problem using the AGILE toolchain.\nEach team consisted of students from various universities around the globe and\nhad expertise in multiple design domains. An MDAO study is presented that\nutilizes the AGILE toolchain to investigate the feasibility of implementing an\nauxiliary solar power system on a baseline aircraft. The steps performed are:\n(1) definition of a multidisciplinary design problem, (2) development of\ncollaborative workflow and (3) optimization using surrogate models. Through the\ncase study, a novel technology concept is investigated and the efficacy of the\nAGILE toolchain in facilitating a MDAO is analyzed.\n
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».