MétaCan
Menu
Retour à la cohorte
Enregistrement W4295314075 · doi:10.5281/zenodo.7071059

Methodology for the automated preliminary certification of on-board systems architectures through requirements analysis

2022· paratext· en· W4295314075 sur OpenAlexfundno aff
Marco Fioriti, Luca Boggero

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2022
Typeparatext
Langueen
DomaineEngineering
ThématiqueSafety Systems Engineering in Autonomy
Établissements canadiensnon disponible
Organismes subventionnairesHorizon 2020 Framework ProgrammeConcordia UniversityEuropean Commission
Mots-clésCertificationComputer scienceSoftware engineeringSystems engineeringEngineering

Résumé

récupéré en direct d'OpenAlex

Aircraft on-board systems architectures are defined by the subsystems and the connections among them. The requisites for these connections are not directly established in the certification specifications but they are indi- rectly derived from other requirements. In addition, generally only a small number of architectures taken from previous studies are considered when performing on-board systems design. This makes it difficult to generate certifiable connections when assessing an extensive number of architectures. Considering certification aspects during early design stages can be used as a filter to save computational time by calculating only potentially certifiable architectures. The aim of this paper is to develop a methodology to automatically assess certifi- cation requirements of on-board systems architectures that come from the certification specifications. One part of the methodology consists of a list of requirements to be considered to define the connections among on-board systems during architecture design in order to find safe and certifiable solutions. The other part is focused on the automation of the reliability block diagram technique. This is needed in order to verify safety assessment requirements which have a high influence on the architectures and connections. The advantages of this study are mainly the capability to assess multiple architectures and to verify certification requirements during early design stages. A full automation for this process was achieved and showed through an example test case. An aeronautical application case is also shown. This analysis could also be implemented for the study of innovative on-board systems architectures.

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)0,005
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,015
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0040,001
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
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 Opus0,096
Tête enseignante GPT0,301
Écart entre enseignants0,206 · 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'étudeThéorique ou conceptuel
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

Citations2
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetSafety Systems Engineering in AutonomyTravaux en français237 207