Aerospace digital twins: examining applications of digital twin technology to unmanned aerial vehicles and satellites
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAV) and satellites are becoming increasingly popular in business, government, and military applications. Both have unique use cases and value, but they have several overlapping use cases and features. Most notably they are both used for observation, such as the case of climate monitoring or surveying and mapping. Satellites also have uses in communication and navigation by broadcasting signals and enabling technology such as global positioning systems (GPS). UAVs have also been deployed by the militaries across the world for both reconnaissance and offensive capabilities. Each are electro-mechanical systems with a several important components that need to be reliable and high performance. Maximizing the return in value for these assets might mean improving their performance, reliability, or longevity. One emerging technology that has the promise to do this is the digital twin (DT). DTs utilize a combination of multi-domain modeling and extensive data collection for real-time model updates. This real time updating can be utilized for advanced simulation, improved control, and advanced condition monitoring. DTs are an ideal platform for applying to UAVs and satellites to maximize their capabilities and values. As will be demonstrated in this work, DTs have been demonstrated to provide value in improving control performance, orientation and position tracking, condition monitoring, and fault detection in UAVs and satellites. A case study and preliminary work on a CubeSat attitude adjustment device DT has been presented and examined to display benefits of the concept.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».