MétaCan
Menu
Retour à la cohorte
Enregistrement W4386070999 · doi:10.11159/icmie23.137

3D Printed Structures for Under Water Robots Design

2023· article· en· W4386070999 sur OpenAlexvenueno aff
José Luis Ordóñez-Ávila, Rodrigo Espinal Lanza, Silvio Javier Lázaro-Cárdenas

Notice bibliographique

RevueProceedings of the World Congress on Mechanical, Chemical, and Material Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueModular Robots and Swarm Intelligence
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clés3d printedRobotComputer scienceEngineeringArtificial intelligenceManufacturing engineering

Résumé

récupéré en direct d'OpenAlex

Nowadays, with the continuous development of low-cost technologies such as 3D printing and open source hardware and software, the cost of building an ROV has been further reduced.This is why the present research aims to analyse the calculations necessary for the development of an ROV prior to its construction, obtaining significant improvements in design as well as a reduction of time and costs.This paper shows a comparison of the design parameters of a 3 DOF robot with 4 turbines and a 5 DOF robot with 6 turbines, to demonstrate the importance of CAD and CFD in underwater robots' design.The selection of actuators is based on the results of CFD, obtaining linear and quadratic, turbine rpm and the friction coefficient to determine the stability of the robot.A reduction in time and costs was obtained through CFD analysis prior to robot construction.The comparison between the open and close structures is evident that the close structure design in this paper has more stability and is better option for underwater robots.3D printing is a good alternative for underwater robots, the infill should be 100% to avoid leaks and breaks based on the stress test.The mayor disadvantage of 3D printing is the manufacturing time.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,005
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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 Opus0,018
Tête enseignante GPT0,220
Écart entre enseignants0,203 · 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'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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Mechanical, Chemical, and Material EngineeringMême sujetModular Robots and Swarm IntelligenceTravaux en français237 207