MétaCan
Menu
Retour à la cohorte
Enregistrement W3172732923 · doi:10.1109/tte.2021.3089605

Review of Electric Machines in More-/Hybrid-/Turbo-Electric Aircraft

2021· article· en· W3172732923 sur OpenAlexafffund
Ehab Sayed, Mohamed Abdalmagid, Giorgio Pietrini, Nicole-Marie Sa'adeh, Alan Dorneles Callegaro, Cyrille Goldstein, Ali Emadi

Notice bibliographique

RevueIEEE Transactions on Transportation Electrification · 2021
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced Aircraft Design and Technologies
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésUpgradeAutomotive engineeringElectrificationPropulsionTurbofanElectrically powered spacecraft propulsionElectric motorTakeoffElectric machineControllabilityAerospaceBattery electric vehicleEngineeringComputer scienceBattery (electricity)Aerospace engineeringElectricityMechanical engineeringElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Aircraft electrification is currently the best alternative to address the rising demand for more air transportation and deal with anticipated economic and environmental impacts. Although the all-electric-aircraft (AEA) concept is not yet a feasible solution, the more-electric aircraft (MEA) is gaining significant attention. Electrical systems either partially or entirely replace the large and inefficient hydraulic, pneumatic, and mechanical conventional aircraft actuating systems. The upgrade could also encompass the propulsion system, as in hybrid- and turbo-electric aircraft. This upgrade reduces the aircraft weight, reduces the usage of pollutant fluids, increases fuel efficiency, reduces carbon emissions, and increases aircraft controllability and reliability. This article reviews various application areas of electric machines in electrified aircraft, such as actuation, taxiing, propulsion, and generation. Moreover, it reviews the main types of currently/to be utilized electric machines and the critically required specifications. Finally, a comparison between the different considered machines and potential future research is discussed.

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: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,010
Tête enseignante GPT0,247
Écart entre enseignants0,237 · 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
GenreSynthèse

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

En bref

Citations313
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Transportation ElectrificationMême sujetAdvanced Aircraft Design and TechnologiesTravaux en français237 207