Contrôle vibratoire semi-actif par frottement sec : développement d'une stratégie de contrôle et étude de la modélisation du frottement
Bibliographic record
Abstract
Ce projet de maîtrise se situe dans la continuité des travaux portant sur le contrôle vibratoire semi-actif par frottement sec effectués à l'Université de Sherbrooke sous la supervision des professeurs Patrice Masson et Philippe Micheau. Plus particulièrement, ce mémoire poursuit les deux objectifs suivants: (1) Développer une méthode de synthèse d'une loi de contrôle semi-active pour un système à un DDL sous excitation harmonique permettant d'optimiser la dissipation d'énergie; (2) Évaluer la capacité du modèle de frottement de LuGre à modéliser le phénomène de frottement pour le dispositif développé par P. Buaka à l'Université de Sherbrooke. En premier lieu, le problème de l'optimisation de l'énergie dissipée par un amortisseur semi-actif sous excitation harmonique est traité. Afin de situer la performance de la loi de contrôle éventuelle, le cas passif optimal et le cas actif optimal sont d'abord présentés. Par la suite, la performance de la loi de contrôle issue de la technique du contrôle optimal saturé est analysée. On peut alors clairement observer que cette technique permet d'améliorer la performance du dispositif semi-actif par rapport au cas passif optimal. L'originalité de la technique développée dans le cadre de ce projet est ensuite d'optimiser les paramètres du contrôle optimal saturé afin d'augmenter encore une fois la capacité de dissipation d'énergie du dispositif. Ceci se fait à l'aide d'un algorithme d'optimisation approprié. Le modèle de frottement privilégié dans ce mémoire est le modèle de frottement de LuGre, celui-ci étant un modèle de frottement dynamique à un état développé originellement pour les systèmes de positionnement de précision. Ce mémoire présente une nouvelle stratégie pour l'identification des paramètres du modèle. La validation des paramètres identifiés est faite en comparant des résultats expérimentaux obtenus sur le dispositif de P. Buaka et ceux découlant de simulations numériques. Finalement, ce mémoire met en contexte les contributions de ce projet par rapport aux travaux précédents et propose de nouvelles directions à suivre pour continuer l'avancement des travaux.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".