MétaCan
Menu
Retour à la cohorte
Enregistrement W4285324802 · doi:10.1109/icter53630.2021.9774797

Towards Developing a Simple Lumped Parameter-based State Estimator for PneuNets

2021· article· en· W4285324802 sur OpenAlexaff
P. D. S. H. Gunawardane, A. P. T. D. Pathirana, Nimali T. Medagedara

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSoft Robotics and Applications
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesOpen University
Mots-clésEstimatorStiffnessFinite element methodControl theory (sociology)SineActuatorRoot mean squareComputer scienceMean squared errorMathematicsAlgorithmControl engineeringEngineeringControl (management)Structural engineeringGeometryStatistics

Résumé

récupéré en direct d'OpenAlex

Soft actuators (SAs) are used for gripping and manipulating activities in various industrial applications and different designs of SAs are developed to improve their efficacy. In these designs, compliance materials are used to control the morphology of SAs to generate different movements. Specifically, PneuNets design is one of the popular designs and it uses the pressure difference in their internally networked chambers to control the movements. These chambers act as energy storing and releasing elements during pressurizing and de-pressurizing stages and play an important role in controlling motion output. These discrete chambers are usually networked and continuum therefore, they are difficult to model and integrate into control systems. The present paper attempts to use a hypothetical disc model to estimate the real-time states of PneuNets. The proposed second-order model has a single stiffness element (K) and a single damping element (B) that is assumed to be approximately equal to the change of bending angle of the PneuNet. These K and B values are obtained experimentally and the results were compared against finite element simulations. The model was tested for step/sine inputs and resulted in an average root-mean-square-error approximately 4%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,525
Score d'incertitude au seuil0,370

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0000,000

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 Opus0,029
Tête enseignante GPT0,276
Écart entre enseignants0,247 · 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 tête enseignante, 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

Citations1
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoft Robotics and ApplicationsTravaux en français237 207