Application of Combustion Sound Level (CSL) Analysis for Powertrain
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="htmlview paragraph">Powertrain noise is a significant factor in determination of the overall vehicle refinement expected by today's discriminating automotive customer. Development of a powertrain to meet these expectations requires a thorough understanding of the contributing noise sources. Specifically, combustion noise greatly impacts the perception of sound levels and quality. The relevance of combustion noise development has increased with the advent of newer efficiency-driven technologies such as direct injection or homogeneous charge compression ignition.</div> <div class="htmlview paragraph">This paper discusses the application of a CSL (Combustion Sound Level) analysis-a method for the identification and optimization of combustion noise. Using CSL, it is possible to separate mechanical and combustion noise sources. Combustion noise is then further classified as direct combustion noise (directly proportional to the combustion gas pressures), indirect combustion noise (proportional to rotational forces as well as combustion-induced piston side forces) and flow noise.</div> <div class="htmlview paragraph">During the development stage of new powertrains, benchmarking testing and analysis helps to identify the state-of-the-art. Incorporation of the CSL process into the benchmarking process facilitates a more in-depth comparison of powertrains, providing valuable information to drive potential design improvements. In this investigation, two benchmark four cylinder engines were compared using the CSL process. This provided a comprehensive comparison of the noise shares as well as the combustion excitation levels. In addition, the paper compares engine specific combustion noise share weighting functions to obtain insights into the relative strengths and weaknesses of each benchmarked engine.</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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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