論文の概要: Extending Aircraft Coverage of the Poll Schumann Model Using Public Data

• arxiv url: http://arxiv.org/abs/2611.02880v1
• Date: Mon, 02 Nov 2026 10:17:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 14:40:04.260026
• Title: Extending Aircraft Coverage of the Poll Schumann Model Using Public Data
• Title（参考訳）: 公共データを用いた多孔式シューマンモデルの航空機被覆拡大
• Abstract要約: Poll Schumannモデルは機体とエンジンパラメータを必要とするが、公開されたテーブルは艦隊の一部のみをカバーする。 我々は、ICAOエンジン記録とともに、認証文書や製造マニュアルから幾何を用いてパラメータを再構成する。 インベントリには90の型式指定器が含まれており、22は直接ピコントラルテーブルから欠席しており、18は代替品を記載していない。
• 参考スコア（独自算出の注目度）: 3.372200852710289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Poll Schumann model requires airframe and engine parameters, but published tables cover only part of the fleet. Applications must obtain missing parameters, substitute another aircraft type or exclude unrepresented types. We reconstruct parameters using geometry from certification documents and manufacturer manuals, together with ICAO engine records. Published equations supply the physical parameters, regression estimates the propulsion efficiency scale. The inventory covers 90 type designators, including 22 absent from the direct pycontrails table and 18 without a listed substitute. Across 68 types, mean absolute percentage error (MAPE) against pycontrails was 7.38% for drag and 3.14% for design Mach. Across 66 types in 21 families, efficiency regression achieved 3.91% MAPE with the evaluated family excluded from input selection and fitting. On 100 recorded A320 flights, a type already represented in the published tables, cruise fuel flow MAPE for reconstructed and published parameter sets was 4.50% versus 4.68%, while mean absolute percentage error in integrated fuel over covered airborne intervals was 7.19% versus 6.82%. Public technical records can therefore extend Poll Schumann parameter coverage, with quantified agreement against published coefficients and comparable fuel prediction errors on the evaluated A320 flights.
• Abstract（参考訳）: Poll Schumannモデルは機体とエンジンパラメータを必要とするが、公開されたテーブルは艦隊の一部のみをカバーする。 アプリケーションは、欠落したパラメータを取得し、別の航空機の型を置換するか、表現されていない型を除外しなければならない。 我々は、ICAOエンジン記録とともに、認証文書や製造マニュアルから幾何を用いてパラメータを再構成する。 公表された方程式は物理パラメータを供給し、回帰は推進効率のスケールを推定する。 インベントリには90の型式指定器が含まれており、22は直接ピコントラルテーブルから欠席しており、18は代替品を記載していない。 68種で、ピコントレールに対する平均絶対パーセンテージ誤差(MAPE)は、ドラッグで7.38%、デザインで3.14%であった。 21家系の66種中, 効率回帰は3.91%のMAPEを達成し, 評価された家族は入力選択と適合から除外された。 記録された100回のA320飛行では、既に公表された表に表されたタイプであり、再構成および公表されたパラメータセットに対する巡航燃料流MAPEは4.50%対4.68%、カバーされた空中飛行間隔に対する統合燃料の絶対誤差の平均は7.19%対6.82%であった。 したがって、パブリックな技術記録は、評価されたA320飛行における公表された係数と同等の燃料予測誤差との定量的な一致により、ポル・シューマンパラメータのカバレッジを拡張できる。

関連論文リスト

• Benchmarking candidate coverage and rejection policy transfer in typed decision models [7.736174008951463]
  公開参照ラベルを用いてLaya,Jev,Qwen2.5-7B-Instructを比較した。 ソースキャリブレーションは、しばしばターゲットの動作点を保存するのに失敗する。 10の意図的候補を持つLayaは、スコープ外クエリの99.0%を検出するが、カバークエリの48.8%を拒否する。
  論文  参考訳（メタデータ） (2026-10-02T14:36:46Z)
• GGUF-Metadata Prediction of Single-Sequence llama.cpp Throughput Across Three Systems [3.3498577203654816]
  GGUFメタデータからの単一シーケンスモデルスループットを,基準モデルに適合する量子化特異的スケール係数を持つ屋根線型予測器を用いて予測する。 このコホートは、2つのApple M4 Maxシステムにおける53のホストファイル構成とNVIDIA GTX 5080の318の位相深度測定を含む。
  論文  参考訳（メタデータ） (2026-09-14T00:31:14Z)
• PV-WM: A Heterogeneous Micro-Macro World Model for Articulated Pedestrian-Vehicle Co-Rollout [36.25772061017794]
  PV-WMは、構造化後知覚トラック上での履歴のみのワールドモデルである。 歩行者のルート運動、15関節関節、学習車両状態を同期した異種状態内で繰り返し進行させる。 824の文脈で、797が有効な将来の車両支援を提供し、PV-WMはRoot ADEを5.2%削減し、MPJPEを7.6%、P-V距離誤差を11.9%削減した。
  論文  参考訳（メタデータ） (2026-09-07T10:45:26Z)
• Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure [51.736723807086385]
  人口密着協定は、個別のシミュレーションの証拠ではなく、エスカレーション契約の証拠であり、シミュレーションされた回答者なしで得られる推定値である。 9つのアライメントされたモデルバッテリペアでは、非個人個体数のクエリの平均は6.27 MAE対12.39であり、9つの比較すべてで勝利する。
  論文  参考訳（メタデータ） (2026-09-07T10:22:22Z)
• Multi-Domain Physics-Based MDO of Multirotor UAVs: A Deterministic Framework for Discrete COTS Sizing [1.6114012813668932]
  本稿では物理に基づくマルチディシプリナ設計最適化(MDO)エンジンであるAeroEvalについて述べる。 エンジンは、連続サイズ最適化を物理的に購入可能な商用オフザシェルフ(COTS)コンポーネントにマップする。 バッテリーの質量は単パックプラットフォームで7.9%の範囲で予測される。
  論文  参考訳（メタデータ） (2026-07-24T03:52:36Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Gradient-based Parameter Selection for Efficient Fine-Tuning [41.30092426231482]
  グラディエントベース。 選択(GPS)はパラメータ効率の良い新しい微調整法である。 GPSはトレーニングと推論の段階で追加のパラメータや計算コストを導入していない。 GPSは3.33%(91.78% vs. 88.45%, FGVC)、9.61%(73.1% vs. 65.57%, VTAB)の精度向上を実現している。
  論文  参考訳（メタデータ） (2023-12-15T18:59:05Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Alexa Teacher Model: Pretraining and Distilling Multi-Billion-Parameter Encoders for Natural Language Understanding Systems [63.713297451300086]
  本研究では,700Mから9.3Bまでの非埋め込みパラメータ数を持つ事前学習エンコーダの大規模実験結果について述べる。 その後、17M-170Mパラメータからより小さなモデルに蒸留し、仮想アシスタントシステムの自然言語理解(NLU)コンポーネントに応用した。
  論文  参考訳（メタデータ） (2022-06-15T20:44:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。