Tests of Inflatable Structure Shape Control Using Genetic Algorithm and Neural Network
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
Inflatable space structures need to maintain in a desired shape in space in order to achieve satisfactory performance. The active shape control technique has shown its advantages in solving this problem. Due to strong non-linear properties of the inflatable structures, it is a challenging task to model the inflatable structure properties and to find optimal control output. In this paper, a scheme is proposed based on genetic algorithm and neural network, which is then verified on the shape control of a small size membrane structure. The membrane to be controlled is a 200mm × 300mm rectangular Kapton membrane, pulled by two tensions along each edge. Different combinations of the tensions produce various wrinkles on the membrane. A neural network model is developed to map boundary stretching tensions and space environment to membrane flatness, and then is used to estimate the membrane flatness. The genetic algorithm is utilized to search the best tension combinations from the neural network model to minimize the membrane wrinkle amplitude. An active control system is developed and tests are performed. The results show that genetic algorithm works very well in optimizing the tensions and neural network is effective to estimate the flatness of the membrane. Nomenclature xi = neural network input vij, wjk = neural network weights βj, ρk = neural network thresholds Yk = neural network output γ j = combining function output zj = activation function output n = number of neurons in input layer p = number of neurons in hidden layer m = number of neurons in output layer I I.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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