MétaCan
Menu
Retour à la cohorte
Enregistrement W2079566832 · doi:10.4271/2013-01-1720

The New Powertrain Virtual Analysis Process in Engine Design and Development

2013· article· en· W2079566832 sur OpenAlexaff
Yi‐Hsin Chen, William Resh, Hong Geng, Simon Shi, Jaspal Singh Sandhu, Darryl Muir

Notice bibliographique

RevueSAE technical papers on CD-ROM/SAE technical paper series · 2013
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueAdvanced Combustion Engine Technologies
Établissements canadiensChrysler (Canada)
Organismes subventionnairesnon disponible
Mots-clésPowertrainProcess (computing)Computer scienceAutomotive engineeringAutomotive engineEngineeringTorqueOperating system

Résumé

récupéré en direct d'OpenAlex

<div class="section abstract"><div class="htmlview paragraph">Due to new federal regulations and higher environmental awareness, the market demands for high fuel economy and low exhaust emission engines are increasing. At the same time customer demands for engine performance, NVH and reliability are also increasing. It is a challenge for engineers to design an engine to meet all requirements with less development time. Currently, the new engine development time has been trimmed in order to introduce more products to the market. Utilizing CAE technology and processes in an engine development cycle can enable engineers to satisfy all requirements in a timely and cost-effectively way.</div><div class="htmlview paragraph">This paper describes a new Powertrain Virtual Analysis Process which has been successfully implemented into Chrysler PTCP (Powertrain Creation Process) and effectively utilized to shorten and improve the product development process. This new virtual analysis process guides the product development from concept through the production validation phases. Based on the new process, CAE engineers collaborate with product development, quality, dyno/vehicle test and design CoE (Center of Excellence) teams to establish the concept study plans and quality documents (boundary diagram, functional model, DFMEA and DVP&R) of components and systems; complete and execute the CAE plans according to DVP&Rs; optimize the mechanical and reliability test plans depending on CAE contribution; assess the product design risk based on CAE results and existing test data at each design phase before physical tests start; utilize CAE tools to provide solutions when failures are found during tests; and close loop of virtual analysis process by summarizing lessons learned from product development.</div><div class="htmlview paragraph">This paper summarizes CAE technologies used in this new virtual analysis process during a new Chrysler I4 engine design and development. These technologies include NVH, 1D engine performance, CFD gas/coolant flow, conjugate heat transfer, crankcase breathing, lubrication, and structure durability. The new virtual analysis process helped meet challenging engine program targets that required 88% new engine parts (excluding carry over fasteners/sealants) in only 22 months from program approval to start of production.</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)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,963
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,011
Tête enseignante GPT0,237
Écart entre enseignants0,227 · 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'étudeObservationnel
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

Citations3
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSAE technical papers on CD-ROM/SAE technical paper seriesMême sujetAdvanced Combustion Engine TechnologiesTravaux en français237 207