MétaCan
Menu
Retour à la cohorte
Enregistrement W647273075 · doi:10.25439/rmt.27354453

Inverse determination of aircraft loading using artificial neural network analysis of structural response data with statistical methods

2010· dissertation· en· W647273075 sur OpenAlex

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.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueRMIT Research Repository (RMIT University Library) · 2010
Typedissertation
Langueen
DomaineEngineering
ThématiqueFatigue and fracture mechanics
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésArtificial neural networkAerodynamicsComputer scienceStatistical analysisEngineeringArtificial intelligenceAerospace engineeringMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,753
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,050
Tête enseignante GPT0,336
Écart entre enseignants0,286 · 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