MétaCan
Menu
Retour à la cohorte
Enregistrement W4401908032 · doi:10.3390/modelling5030053

Integrating Null Controllability and Model-Based Safety Assessment for Enhanced Reliability in Drone Design

2024· article· en· W4401908032 sur OpenAlexafffund
Zahra Motahari Rad, Jonathan Liscouët

Notice bibliographique

RevueModelling—International Open Access Journal of Modelling in Engineering Science · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueAdvanced Aircraft Design and Technologies
Établissements canadiensConcordia University
Organismes subventionnairesOffice National d'études et de Recherches AérospatialesNatural Sciences and Engineering Research Council of CanadaNorges Teknisk-Naturvitenskapelige Universitet
Mots-clésDroneControllabilityReliability engineeringReliability (semiconductor)Computer scienceSystems engineeringDistributed computingEngineering

Résumé

récupéré en direct d'OpenAlex

The increasing use of drones for safety-critical applications, particularly beyond visual lines of sight and over densely populated areas, necessitates safer and more reliable designs. To address this need, this paper introduces a novel methodology integrating Null Controllability with the Model-Based Safety Assessment (MBSA) framework AltaRica 3.0 to optimize propulsor configurations and system architectures. The main advancement of this method lies in the automation of reliability modeling and the integration of controllability assessment, eliminating restrictions on the types of propulsor configurations and system architectures that can be evaluated and significantly reducing the effort required for each design iteration. Through a hexarotor drone case study, the proposed method enabled a high number of design iterations, efficiently exploring various aspects of the design problem simultaneously, such as configuration, system architecture, and controllability hypothesis, which is not possible with state-of-the-art techniques. This approach demonstrated significant reliability improvements by implementing and optimizing redundancies, reducing the probability of loss of control by up to 99%. The case study also highlighted the increasing difficulty of enhancing reliability with each iteration and confirmed that it is unnecessary to consider more than two simultaneous failures for design optimization. A comparison of reliability figures with previous studies highlights the crucial role of system architecture in effectively enhancing drone design reliability. This work advances the field by providing an effective multidisciplinary modeling framework for drone design, enhancing reliability in safety-critical applications.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,038
Tête enseignante GPT0,346
Écart entre enseignants0,308 · 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

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueModelling—International Open Access Journal of Modelling in Engineering ScienceMême sujetAdvanced Aircraft Design and TechnologiesTravaux en français237 207