MétaCan
Menu
Retour à la cohorte
Enregistrement W4379385269 · doi:10.3390/aerospace10060533

Systems Integration Framework for Hybrid-Electric Commuter and Regional Aircraft

2023· article· en· W4379385269 sur OpenAlexafffund
Vijesh Mohan, Andrew K. Jeyaraj, Susan Liscouët-Hanke

Notice bibliographique

RevueAerospace · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced Aircraft Design and Technologies
Établissements canadiensConcordia University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésElectrificationSizingSystems engineeringSystem integrationRetrofittingEngineeringElectric power systemAvionicsMultidisciplinary approachPropulsionKey (lock)Hybrid systemComputer scienceAerospace engineeringElectricityPower (physics)Electrical engineering

Résumé

récupéré en direct d'OpenAlex

System integration is one of the key challenges to bringing future hybrid-electric and all-electric aircraft into the market. In addition, retrofitting and redesigning existing aircraft are potential paths toward achieving hybrid and all-electric flight, which are even more challenging goals from a system integration perspective. Therefore, integration tools that bridge the gap between the aircraft and the subsystem level need to be developed for use in the conceptual design stage to address current system integration challenges, such as the use of space, the share between propulsive and secondary power, required level of electrification, safety, and thermal management. This paper presents a multidisciplinary design analysis (MDA) framework that integrates aircraft and subsystem sizing tools. In addition, this paper includes improved physics-based subsystem sizing methods that are also applicable to smaller, commuter, or regional aircraft. The capabilities of the developed framework and tools are presented for a case study covering the redesign of the DO-228 with a hybrid-electric propulsion system in combination with the electrification of its systems architecture and different subsystem technologies.

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)0,003
score de la tête « metaresearch » (Gemma)0,002
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,024
Tête enseignante GPT0,263
Écart entre enseignants0,239 · 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

Citations6
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAerospaceMême sujetAdvanced Aircraft Design and TechnologiesTravaux en français237 207