Landing gear ground manoeuvre statistics from automatic dependent surveillance-broadcast transponder data
Notice bibliographique
Résumé
ABSTRACT Landing gear are exposed to cyclic loads from the ground manoeuvres that aircraft perform in-service. Variability is observed in the loading magnitude associated with ground manoeuvres, along with the per-flight variability in ground manoeuvre occurrence and sequencing. Whilst loading magnitude variability has been widely characterised, significant assumptions are required regarding manoeuvre occurrence and sequencing when constructing landing gear load spectra for fatigue design. These assumptions are required due to the limited availability of data concerning ground manoeuvre occurrence and sequencing relating to aircraft in-service and require validation to facilitate the design of more efficient components. ‘Big-Data’ approaches, employing Automatic Dependent Surveillance-Broadcast (ADS-B) transponder data, enable aircraft ground tracks to be identified. This paper presents a methodology to characterise the variability in ground manoeuvre occurrence and sequencing using ADS-B data sourced from Flightradar24 ® for a wide-body aircraft fleet. Using statistics generated for the fleet, it was identified that significant variability exists in the occurrence and sequencing of turning and braking manoeuvres. The statistics also validate existing assumptions, including that the proportional share of left and right turning manoeuvres is equal. Finally, this paper discusses the utility of ADS-B datasets for constructing landing gear load spectra and monitoring of landing gear in-service.
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) | 0,000 | 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) | 0,002 | 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 ».