Artificial Neural Networks-Extended Great Deluge Model to predict Actuators Displacements for a Morphing Wing Tip System
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
Resin-based fiber composite materials have received attention in aerospace composite engineering, particularly in aircraft morphing structures, due to their high mechanical characteristics, such as stiffness, and because of their potential to highly reduce the structural mass of modern aircraft. Aircraft morphing is referred to as the ability of an aircraft’s surface to change its geometry in flight. The modelling of a dynamic morphing wing system is here studied. The morphing wing was controlled using four electric actuators situated inside of the wing model. The main role of these actuators was to modify the wing upper surface shape designed and manufactured with a flexible material, so that the laminar-to-turbulent flow transition point can move closer to the wing trailing edge, thus causing a minimum viscous drag, for various flow conditions. To determine the skin deflections in the four actuators points, both LVDT and dial indicator gages were positioned on the wing. Four Linear Variable Differential Transducers (LVDTs) were used to indicate the positions of the four actuators, and four Dial Indicators gages were positioned on the wing to measure the real deflections of the flexible composite skin in the four actuation points. The relationship between the Dial Indicators’ values and the LVDTs’ values for a same set-point command signal had a nondeterministic and unpredictable behavior (not a linear one). The values of the displacements given by the LVDTs were different than the values given by the Dial Indicators. In this paper, an Artificial Neural Network (ANN) model was investigated created with the aim to predict the displacements of the wing upper surface skin in real time using four actuators. The proposed model was trained using the Extended Great Deluge (EGD) algorithm.
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