MétaCan
Menu
Retour à la cohorte
Enregistrement W4296715778 · doi:10.18280/mmep.090412

Dynamic Modelling of Docking Autonomous PODs in Tandem Configuration

2022· article· en· W4296715778 sur OpenAlexvenueno aff
Osama M. Al-Habahbeh, Romil S. Al-Adwan

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Manufacturing and Logistics Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMerge (version control)Computer scienceTandemPower consumptionAutomotive engineeringDocking (animal)SimulationEngineeringAerospace engineeringPower (physics)

Résumé

récupéré en direct d'OpenAlex

An adaptable transportation concept is proposed; comprising a fleet of autonomous PODs that can merge and separate based on passengers’ demand. The purpose is to match the number of seats with the number of passengers, thereby reducing vehicle size and energy consumption. It enables passengers’ in-person communication and simultaneous arrival. Since each POD has its own motor, if full power is not needed, one of the motors can be turned-off to save energy. The merging process is investigated so as to find the safe docking speeds when two PODs merge in tandem configuration. If the docking is not done at the right speed, it may cause damage to the vehicle, or else be inefficiently slow. The PODs are represented by finite element models, which are simulated to determine the safe merging speeds. The speeds are determined for different docking scenarios and POD materials; ranging from 1.4-16 km/h. The safe speeds depend on the type of material and adopted damage criterion; Nonmetallic materials showed higher tolerance than metallic materials in response to docking impact. As a recommendation for future work, other materials and configurations can be investigated, and the effect of the proposed system on traffic conditions can be evaluated.

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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,020
Tête enseignante GPT0,202
Écart entre enseignants0,182 · 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetAdvanced Manufacturing and Logistics OptimizationTravaux en français237 207