Optimization of a Porous Ducted Air Induction System Using Taguchi's Parameter Design Method
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">Taguchi method is a technology to prevent quality problems at early stages of product development and product design. Parameter design method is an important part in Taguchi method which selects the best control factor level combination for the optimization of the robustness of product function against noise factors. The air induction system (AIS) provides clean air to the engine for combustion. The noise radiated from the inlet of the AIS can be of significant importance in reducing vehicle interior noise and tuning the interior sound quality. The porous duct has been introduced into the AIS to reduce the snorkel noise. It helps with both the system layout and isolation by reducing transmitted vibration. A CAE simulation procedure has been developed and validated to predict the snorkel noise of the porous ducted AIS. In this paper, Taguchi's parameter design method was utilized to optimize a porous duct design in an AIS to achieve the best snorkel noise performance. The virtual experiments based on an orthogonal array in the parameter design method were conducted by the developed simulation procedure and the optimized design was recommended. Furthermore, the parts based on the optimized design are manufactured and tested to verify if the intended performance and other high priority requirements for the AIS are met. It was concluded that a traditional CAE analysis enhanced with robustness technique is an efficient tool to optimize the AIS design in this case study.</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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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