MétaCan
Menu
Retour à la cohorte
Enregistrement W4224869330 · doi:10.3390/machines10050306

Buffering Performance Analysis of an Ostrich-like Leg Based on a Seven-Link Parallel Mechanism

2022· article· en· W4224869330 sur OpenAlexaff
Daming Nie, Ruilong Du, Jiangren Tian, Pu Zhang, Fangyan Shen, Jason Gu, Yili Fu

Notice bibliographique

RevueMachines · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueRobotic Locomotion and Control
Établissements canadiensDalhousie University
Organismes subventionnairesnon disponible
Mots-clésKinematicsBionicsMechanism (biology)Link (geometry)Computer scienceProcess (computing)Nonlinear systemFolding (DSP implementation)Elasticity (physics)Structural engineeringMathematicsMechanical engineeringEngineeringPhysicsArtificial intelligenceClassical mechanics

Résumé

récupéré en direct d'OpenAlex

As one of the fastest running animals on land, the ostrich’s excellent athletic ability benefits from its unique leg structure. Based on the idea of bionics, this paper intends to obtain a kind of robotic leg structure with a similar buffering capacity to that of the ostrich. For this purpose, the structural characteristics of a seven-link parallel mechanism are analyzed firstly, having some specific features similar to ostrich legs, such as the center of mass (COM) located at the root of the leg, a large folding/unfolding ratio, and so on. Then, the kinematic model of the bionic leg is established, and the energy storage of the flexible parts of the leg is investigated. Finally, an impact experiment of the structure onto the ground is carried out to verify the accuracy of the established kinematic model. This paper systematically reveals the nonlinear law of the elasticity of an ostrich-like leg and provides the buffering performance characteristics of the leg in the process of hitting the ground, based on its elastic properties by the kinematic model and the experiment.

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)0,000
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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,202
Écart entre enseignants0,195 · 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
GenreEmpirique

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

En bref

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMachinesMême sujetRobotic Locomotion and ControlTravaux en français237 207