MétaCan
Menu
Retour à la cohorte
Enregistrement W3095077682 · doi:10.3389/frobt.2020.549716

BVLOS UAS Operations in Highly-Turbulent Volcanic Plumes

2020· article· en· W3095077682 sur OpenAlexaff
Kieran Wood, Emma Liu, R.J. Clarke, Jim Freer, Alessandro Aiuppa, Gaetano Giudice, Marcello Bitetto, Kila Mulina, Ima Itikarai

Notice bibliographique

RevueFrontiers in Robotics and AI · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueReservoir Engineering and Simulation Methods
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesEngineering and Physical Sciences Research CouncilLeverhulme TrustAlfred P. Sloan Foundation
Mots-clésComputer scienceVolcanoTurbulenceGeologyAerospace engineeringMeteorologySeismologyPhysics

Résumé

récupéré en direct d'OpenAlex

measurements of volcanic gas chemistry at globally-significant active volcanoes. However, the extreme environments encountered within volcanic plumes present significant challenges for both air frame development and in-flight control. As part of a multi-disciplinary field deployment in May 2019, we flew fixed wing UAS Beyond Visual Line of Sight (BVLOS) over Manam volcano, Papua New Guinea, to measure real-time gas concentrations within the volcanic plume. By integrating aerial gas measurements with ground- and satellite-based sensors, our aim was to collect data that would constrain the emission rate of environmentally-important volcanic gases, such as carbon dioxide, whilst providing critical insight into the state of the subsurface volcanic system. Here, we present a detailed analysis of three BVLOS flights into the plume of Manam volcano and discuss the challenges involved in operating in highly turbulent volcanic plumes. Specifically, we report a detailed description of the system, including ground and air components, and flight plans. We present logged flight data for two successful flights to evaluate the aircraft performance under the atmospheric conditions experienced during plume traverses. Further, by reconstructing the sequence of events that led to the failure of the third flight, we identify a number of lessons learned and propose appropriate recommendations to reduce risk in future flight operations.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,015
Score d'incertitude au seuil0,030

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,235
Écart entre enseignants0,222 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations18
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Robotics and AIMême sujetReservoir Engineering and Simulation MethodsTravaux en français237 207