SHM to detect and characterize impact events in metallic aircraft structure
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
Aircraft structures are susceptible to foreign object impacts, which may occur during manufacturing, maintenance and in-service. Sizes of these impacted objects especially during in-service can range from a small rock to a large bird. Common ways to detect such impacts are based on flight / ground crew observations and reports leading to close examinations of structures using non-destructive evaluation (NDE) techniques. If undetected these impact damages can grow during service loading and may be detrimental to flight safety. Therefore, timely detection of any signs of impact damages are critical such that proper maintenance actions can be taken. The aim is to develop methodologies using Structural Health Monitoring (SHM) techniques to detect and characterize foreign object impact events. In this experiment, a cut-out of an aluminum panel measuring 31 x 26 inches from an out-of-service aircraft was used. The panel was instrumented with four Lead Zirconate Titanate (PZT) sensors from Acellent Inc., as well as, four Acoustic Emission (AE) sensors from Mistras Inc. Impedance and susceptance measurements were acquired to assess the proper functionality of the PZT sensors before and after the impact events. Both the PZTs and the AE sensors were directly connected to a digital oscilloscope, without any amplification and / or filtering for acquiring raw data during the impact events. An instrumented multi-use tapper was designed and developed to calibrate the system, as well as, to record the impulse (impact force and time) during the impact events. The acquired data were processed using physics-based and machine learning techniques to detect and characterize the impact events.
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 | 0,001 | 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 | 0,001 |
| 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