MétaCan
Menu
Retour à la cohorte
Enregistrement W3187951807 · doi:10.2514/6.2021-3077

Connecting Model-based Systems Engineering and Multidisciplinary Design Analysis and Optimization for Aircraft Systems Architecting

2021· article· en· W3187951807 sur OpenAlexafffund
Andrew K. Jeyaraj, Nikta Tabesh, Susan Liscouët-Hanke

Notice bibliographique

RevueAIAA AVIATION 2021 FORUM · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueSystems Engineering Methodologies and Applications
Établissements canadiensConcordia University
Organismes subventionnairesEuropean CommissionNatural Sciences and Engineering Research Council of CanadaConsortium de Recherche et d’innovation en Aérospatiale au Québec
Mots-clésSystems engineeringComputer scienceWorkflowProcess (computing)AerospaceSystems Modeling LanguageSoftware engineeringMultidisciplinary approachConceptual designSystems designUnified Modeling LanguageEngineering design processSystems architectureArchitectureEngineeringAerospace engineeringSoftware

Résumé

récupéré en direct d'OpenAlex

View Video Presentation: https://doi.org/10.2514/6.2021-3077.vid The aerospace industry has set ambitious targets to meet environmental goals while under pressure to develop novel and optimized aircraft configurations effectively. Multidisciplinary Design Analysis and Optimization (MDAO) are increasingly used to optimize aircraft and their systems. Model-Based System Engineering (MBSE) methods show the potential to make the design process more effective, integrate new disciplines, and capture complex certification constraints. Today, MBSE and MDAO are not connected; different methods and tools are used, not harvesting the full potential of both approaches. This paper discusses the need for improved system architecting in the aircraft conceptual design process and introduces a framework to use MBSE in connection to MDAO. In this framework, the MBSE environment compiles system information within a system architecture specification, acting as the backbone and visual support for each stage in the systems architecting process. MDAO is used for the evaluation of system architectures. This paper presents a case study as part of the EU-funded AGILE4.0, in which the specific link between model specification in the MBSE tool Capella and a system-level MDAO workflow is explored. Overall, this paper presents a practical contribution to linking MBSE and MDAO and paves the way for better integration of MBSE into the aircraft design process, thereby enabling MBSE implementation from conceptual design onwards. Furthermore, this will enable more detailed system analysis, such as safety analysis, starting in conceptual design, based on architecture models.

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)0,004
score de la tête « metaresearch » (Gemma)0,007
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: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,097

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0050,005
Science ouverte0,0020,006
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0290,006

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 Opus0,028
Tête enseignante GPT0,255
Écart entre enseignants0,226 · 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
GenreMéthodes

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

En bref

Citations19
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIAA AVIATION 2021 FORUMMême sujetSystems Engineering Methodologies and ApplicationsTravaux en français237 207