MétaCan
Menu
Retour à la cohorte
Enregistrement W2135955176 · doi:10.1109/ecce.2011.6063839

Advanced testing and modeling of magnetic materials including a new method of core loss separation for electrical machines

2011· article· en· W2135955176 sur OpenAlexaff
Maged Ibrahim, Pragasen Pillay

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMagnetic Properties and Applications
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésEddy currentLaminationMaterials scienceSkin effectMechanicsHysteresisMagnetic fluxCore (optical fiber)Magnetic coreMagnetic fieldMagnetic hysteresisInductorNuclear magnetic resonanceComputational physicsVoltagePhysicsElectrical engineeringCondensed matter physicsComposite materialElectromagnetic coilMagnetizationEngineering

Résumé

récupéré en direct d'OpenAlex

This paper presents a new method for the separation of core loss components (hysteresis and eddy current) in laminations exposed to high frequency excitations. Accurate separation of core losses is achieved by calculating the hysteresis losses at each frequency taking into account the non-uniform flux distribution inside the lamination. The results highlight that the assumption of constant hysteresis energy loss per cycle is only valid at low frequencies, where skin effect is negligible. The developed model is then used to study the effect of the annealing process on core loss components in laminations exposed to high frequency excitations. Core loss measurements are performed on different laminations at several frequencies in the range of 20 Hz - 4000 Hz. A comparison of the separated core loss components shows that a huge reduction in the hysteresis loss is achieved by annealing, while the annealing process increases the eddy current loss component at high frequencies and high flux densities. The results are then analyzed by comparing the separated eddy current loss with an analytical eddy current loss model that accounts for the non-uniform distribution of the magnetic field.

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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,142
Tête enseignante GPT0,367
Écart entre enseignants0,226 · 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

Citations4
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMagnetic Properties and ApplicationsTravaux en français237 207