MétaCan
Menu
Retour à la cohorte
Enregistrement W4385387357 · doi:10.58286/28130

Automated misalignment correction method for ultrasonic inspection of CFRP parts

2023· article· en· W4385387357 sur OpenAlexfundno aff
Alexandre Beausoleil, Julien Walter, Oliver Arés

Notice bibliographique

RevueResearch and Review Journal of Nondestructive Testing · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueNon-Destructive Testing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésPosition (finance)Computer scienceUltrasonic sensorProcess (computing)Component (thermodynamics)Path (computing)Computer visionPlanarOrientation (vector space)Artificial intelligenceAcousticsComputer graphics (images)MathematicsPhysics

Résumé

récupéré en direct d'OpenAlex

Ultrasonic inspection of large CFRP components requires an accurate positioning of the part with respect to the equipment’s coordinate system to ensure normal incidence during the scan. Fulfilling this condition often implies impractical and time-consuming manual adjustments of the part. A new method is proposed for ultrasonically determining the position of a complex part installed in an inspection system, and automatically correcting the offline-programmed path instead of iteratively and manually adjusting the part’s position. Two application strategies of our method are presented and experimentally tested on a complex CFRP landing gear component. The results suggest that even the simplest strategy using a planar learning scan of a randomly positioned part can produce C-scans of equal quality as those obtained with the manual alignment, in a fraction of the time that this process usually takes.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,591
Score d'incertitude au seuil0,627

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,109
Tête enseignante GPT0,421
Écart entre enseignants0,312 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch and Review Journal of Nondestructive TestingMême sujetNon-Destructive Testing TechniquesTravaux en français237 207