MétaCan
Menu
Retour à la cohorte
Enregistrement W2010967518 · doi:10.4271/2013-01-0571

Numerical Modeling of Rear Subframe Under Different Loading Conditions

2013· article· en· W2010967518 sur OpenAlexaff
Usman Ali, Roydon Fraser

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical stress and fatigue analysis
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésSubframeComputer scienceTelecommunications

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">In this paper, finite element methods are used to analyze the rear subframe for Chevrolet Malibu. Plasticity based material model along with dynamic and static analysis is used. Commercial software LS-DYNA is used to model the subframe. Half model for the subframe is used with the corresponding boundary conditions for our simulations. A material model based on power law is used to account for the material behavior in all simulations. Different loading conditions are used to analyze the subframe under normal driving conditions while the crash results are used to analyze the subframe under vehicle crash. This data is used to compare the performance and safety of the original stock car. A parametric study is also conducted to analyze the effect of material response by changing the material hardening properties. Results show that 1018 mild steel is the most suitable material under crash and normal loading conditions.</div></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.

Comment cette classification a été obtenuedéplier

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,964
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,016
Tête enseignante GPT0,234
Écart entre enseignants0,218 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetMechanical stress and fatigue analysisTravaux en français237 207