MétaCan
Menu
Retour à la cohorte
Enregistrement W2068776418 · doi:10.4271/2013-01-1004

A Practical Procedure to Predict AIS Inlet Noise Using CAE Simulation Tools

2013· article· en· W2068776418 sur OpenAlexaff
Weiguo Zhang, Brian Butler, Mark Likich, Mac Lynch

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueVehicle Noise and Vibration Control
Établissements canadiensChrysler (Canada)
Organismes subventionnairesnon disponible
Mots-clésComputer scienceInletNoise (video)EngineeringMechanical engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The air induction system (AIS), which provides clean air to the engine for combustion, is very important for engine acoustics. A practical CAE procedure to predict AIS inlet noise is presented in this paper. GT-Power, a commercially available software program can be used to simulate the engine performance and predict air induction noise. The accuracy of GT-Power is dependent on many variables, such as: proper duct discretization size, proper number of flow splits to model the air box and the capturing of the correct resonator geometry for tuning frequency. Since GT-Power is based on a 1D assumption, several iterations need be performed to model the complex AIS components, such as, irregular shaped air box, resonator volume, porous ducts and perforated pipes. Because of this, the GT-Power AIS model needs to be correlated to test data using transmission loss data. But in the case when test data is not available for correlation, especially in early design stage when no test parts are available, a virtual ‘test’ method needs to be utilized. As an alternative, a 3D Finite Element Method (FEM) or Boundary Element Method (BEM), can be utilized as a virtual ‘test’ TL bench for GT-Power model correlation. In this paper, SYSNOISE, which has both a FEM and BEM solver, is utilized to compute the TL of an Air Induction System. The procedure is described as follows. First, a preliminary AIS GT-Power model is built based on the design geometry. Second, the corresponding SYSNOISE model for the same geometry is built and the TL is computed. Then, iterations are taken to update the GT-Power model in order to correlate the TL data with SYSNOISE TL results. Finally, the correlated GT-Power AIS model is attached to the full system GT-Power model and then the software computations are run yielding a predictive inlet noise curve. Several case studies are shown that demonstrate the validity of the proposed procedure.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,025

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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 Opus0,022
Tête enseignante GPT0,274
Écart entre enseignants0,252 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations11
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetVehicle Noise and Vibration ControlTravaux en français237 207