Parametric Importance Analysis and Design Optimization of a Torque Converter Model Using Sensitivity Information
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="section abstract"><div class="htmlview paragraph">Torque converters are used as coupling devices in automobile powertrains involving automatic transmissions. Efficient modeling of torque converters capturing various modes of operation is important for powertrain design and simulation, (<span class="xref">Hroval and Tobler 1</span>, <span class="xref">Ishihara and Emori 2</span>) optimization and control applications. Models of torque converters are available in various commercial simulation packages, <span class="xref">Hadi et. al. 3</span>. The information about the effect of model parameters on torque converter performance is valuable for any design operation. In this paper, a symbolic sensitivity analysis of a torque converter model will be presented. Direct differentiation (<span class="xref">Serban and Freeman 4</span>) is used to generate the sensitivity equations which results in equations in symbolic form. By solving the sensitivity equations, the effect of a perturbation of the model parameters on the behavior of the system is determined. A parametric importance analysis is performed on the model: the model parameters are arranged according to their effect on the amount loss of energy during the operation of the torque converter. The radii of the pump, turbine and stator, the density of the hydraulic fluid and the exit angle of the vanes of the stator were found to have the most significant effects on the model. Using the sensitivity information, a design optimization problem is defined and solved to obtain a set of parameter values that minimizes the energy lost during the torque converter operation.</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.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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