MétaCan
Menu
Retour à la cohorte
Enregistrement W3093730671 · doi:10.31399/asm.fach.aero.c9001504

Failure Analysis of Aircraft Landing Gear Components

2019· book-chapter· en· W3093730671 sur OpenAlexaboutno aff
M. Alexander Roth, Marko Yanishevsky, P. Beaudet

Notice bibliographique

RevueASM International eBooks · 2019
Typebook-chapter
Langueen
DomaineEngineering
ThématiqueMechanical Failure Analysis and Simulation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLanding gearFatigue testingEngineeringCorrosion fatigueForensic engineeringFailure causesReliability engineeringCorrosionStructural engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Despite extensive aircraft landing gear design analyses and tests performed by designers and manufacturers, and the large number of trouble-free landings, aircraft users have experienced problems with and failures of landing gear components. Different data banks and over 200 failure analysis reports were surveyed to provide an overview of structural landing gear component failures as experienced by the Canadian Forces over the last 20 years on more than 20 aircraft types, and to assess trends in failure mechanisms and causes. Case histories were selected to illustrate typical problems, troublesome failure mechanisms, the role of high strength aluminum alloys and steels, and situations where fracture mechanics analyses provided insight into the failures. The two main failure mechanisms were: fatigue occurring mainly in steel components, and corrosion related problems with aluminum alloys. Very few overload failures were noted. A number of causes were identified: design deficiencies and manufacturing defects leading mainly to fatigue failures, and poor materials selection and improper maintenance as the principal causes of corrosion-related failures. The survey showed that a proper understanding of the failure mechanisms and causes, by thorough failure analysis, provides valuable feedback information to designers, operators and maintenance personnel for appropriate corrective actions to be taken.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
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 Opus0,016
Tête enseignante GPT0,223
Écart entre enseignants0,207 · 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
GenreAutre

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

En bref

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueASM International eBooksMême sujetMechanical Failure Analysis and SimulationTravaux en français237 207