Modeling the Longitudinal Dynamics of the Cessna Citation X using Neural Network Methodology
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
View Video Presentation: https://doi.org/10.2514/6.2023-2191.vid This paper presents a methodology developed at the Laboratory of Applied Research in Active Controls, Avionics and AeroServoElasticity (LARCASE) to model the linearized longitudinal dynamics of the Cessna Citation X business jet using artificial neural networks. For this purpose, a simulation platform developed at LARCASE was used to generate the aircraft longitudinal state space matrices {A, B} for a wide range of operating conditions. This simulation platform was developed and validated from data obtained from a Level D Research Aircraft Flight Simulator (RAFS) designed and manufactured by CAE Inc. According to the Federal Administration Aviation (FAA, AC 120-40B), the level D is the highest certification level for the flight dynamics of an aircraft. The data collected from the simulation platform was then restructured into a comprehensive database for the neural network training process. In this study, the structure of the neural network was determined by performing several analyses in order to find the optimal number of layers and neurons, as well as the combination of activation and learning functions, that provide the best prediction results. The validation of the neural network model was performed in two steps. First, analysis was performed by comparing the longitudinal matrix {A, B} predicted by the neural network with the matrix obtained from the simulation platform. Then, a second analysis was performed by comparing the aircraft dynamics parameters (pitch angle, normal acceleration and time variations) for two modes - the short period and the phugoid obtained using neural network versus the simulation platform. The results showed that the proposed model provides very accurate predictions of longitudinal dynamics.
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 | 0,001 |
| 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