Inverse determination of aircraft loading using artificial neural network analysis of structural response data with statistical methods
Notice bibliographique
Résumé
An artificial Neural Network (ANN) system has been developed that can analyse aircraft flight data to provide a reconstruction of the aerodynamic loads experienced by the aircraft during flight, including manoeuvre, buffet and distributed loading. For this research data was taken from the International Follow-On Structural Test Project (IFOSTP) F/A-18 fatigue test conducted by the Royal Australian Air Force and Canadian Forces. This fatigue test involved the simultaneous application of both manouevre and buffet loads using airbag actuators and shakers. The applied loads were representative of the actual loads experienced by an FA/18 during flight tests. Following an evaluation of different ANN types an Ellman network with three linear layers was selected. The Elman back-propagation network was tested with various parameters and structures. The network was trained using the MATLAB 'traingdx' function with is a gradient descent with momentum and adaptive learning rate back-propagation algorithm. The ANN was able to provide a good approximation of the actual manoeuvre or buffet loads at the location where the training loads data were recorded even for input values which differ from the training input values. In further tests the ability to estimate distributed loading at locations not included in the training data was also demonstrated. The ANN was then modified to incorporate various methods for the calculation and prediction of output error and reliability Used in combination and in appropriate circumstances, the addition of these capabilities significantly increase the reliability, accuracy and therefore usefulness of the ANN system's ability to estimate aircraft loading.To demonstrate the ANN system's usefulness as a fatigue monitoring tool it was combined with a formulae for crack growth analysis. Results inficate the ANN system may be a useful fatigue monitoring tool enabling real time monitoring of aircraft critical components using existing strain gauge sensors.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».