MétaCan
Menu
Retour à la cohorte
Enregistrement W4417271299 · doi:10.1038/s41598-025-27416-9

Low-overload internal ballistics in UAV ejection using multiple time-sequenced compressed-air chambers

2025· article· en· W4417271299 sur OpenAlexaff
Li Tian, Zhaijun Lu, Zhifu Wang, Shujian Yao, Jiaqiang Wang, Dong Liu

Notice bibliographique

RevueScientific Reports · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueGuidance and Control Systems
Établissements canadiensMinistry of Education and Child Care
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésInternal ballisticsMuzzle velocityMuzzleBallisticsInternal flowFlow (mathematics)

Résumé

récupéré en direct d'OpenAlex

Compressed-air ejection systems are characterized by short actuation times and high instantaneous flow rates, which subject unmanned aerial vehicles (UAVs) to significant overloads during launch. These conditions impose stringent structural requirements on UAVs, adversely affecting weight and cost control. To achieve a high launch velocity with low overload, this study proposes a multi-chamber ejection method with time-sequenced actuation. This approach is based on an internal ballistics model that incorporates real-gas properties. This approach reduces launch overload while maintaining the required muzzle velocity. An internal ballistics model for UAV compressed-air ejection has been developed and experimentally validated, utilizing real-air properties. Furthermore, a multi-chamber ejection strategy was introduced. Simulations were conducted to analyze the internal ballistic performance of systems with two or three identical or different high-pressure chambers. The results demonstrate that using multiple chambers significantly reduces the maximum overload-by 20.91%, 26.08%, and 33.24% for two identical, two different, and three different chambers, respectively-while achieving the same muzzle velocity as a single-chamber system.

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)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,008
Tête enseignante GPT0,221
Écart entre enseignants0,213 · 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

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetGuidance and Control SystemsTravaux en français237 207