Development of an Adaptive Aero-Propulsive Performance Model in Cruise Flight – Application to the Cessna Citation X
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To accurately predict the amount of fuel needed by an aircraft for a given flight, a performance model must account for engine and airframe degradation. This paper presents a methodology to identify an aero-propulsive model to predict the fuel flow of an aircraft in cruise, while considering initial modeling uncertainties and performance variation over time due to degradation. Starting from performance data obtained from a Research Aircraft Flight Simulator, an initial aero-propulsive model was identified using different estimation methods. The estimation methods studied in this paper were polynomial interpolation, thin-plate splines, and neural networks. The aero-propulsive model was then structured using two lookup tables: one lookup table reflecting the aerodynamic performance, and another table reflecting the propulsive performance. Subsequently, an adaptative technique was developed to locally and then globally, adapt the lookup tables defining the aero-propulsive model using flight data. The methodology was applied to the Cessna Citation X business jet aircraft, for which a highly qualified level D research aircraft flight simulator was available. The results demonstrated that by using the proposed aero-propulsive performance model, it was possible to predict the aerodynamic performance with an average relative error of 0.99%, and the propulsive performance with an average relative error of 3.38%. These results were obtained using the neural network estimation method.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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