Development of an Engineering Analysis Tool for Time-Temperature Analysis of Automotive Components
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.
Notice bibliographique
Résumé
<div class="htmlview paragraph">This paper describes the development of an engineering analysis tool that assesses the life of vehicle components, after exposure to heat.</div> <div class="htmlview paragraph">As a standard engineering practice, each component or part of a component has a “long term” and a “short term” temperature goal based on the part’s material physical properties. At higher temperatures, component’s physical properties degrade at a faster rate, and the component’s useful life can be significantly reduced. The extent of degradation depends upon the duration of exposure, the magnitude of the over-temperature and rate of thermal degradation.</div> <div class="htmlview paragraph">This tool utilizes actual vehicle test data from test cells or road testing, material physical properties, and expected vehicle duty cycle to determine the expected component life. When component temperature goals are exceeded, the software calculates the total duration of time above the goal temperature.</div> <div class="htmlview paragraph">Kinetic degradation models [<span class="xref">1</span>–<span class="xref">2</span>] (which utilize the material’s activation energy value and Arhenius’ kinetic model) are used to calculate the component’s Equivalent Exposure Time (<i>EET</i>) using <span class="xref">equation (1)</span> at each temperature over-goal. The model then utilizes the component’s thermal duty cycle (based on the vehicle’s operating duty cycle) and the calculated (<i>EET</i>) values to calculate the component’s total thermal exposure during the vehicle’s lifetime (150,000 miles). The tool then uses these results for a final (Pass or Fail) assessment of the component.</div>
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle