MétaCan
Menu
Retour à la cohorte
Enregistrement W2618762351 · doi:10.2316/journal.206.2017.3.206-4983

OPTIMIZATION ANALYSIS OF ENERGY-ABSORBING STRUCTURES IN SUBWAY TRAIN

2017· article· en· W2618762351 sur OpenAlexaffvenue
Bingzhi Chen, Ruixian Qin, Chaozhe Jiang

Notice bibliographique

RevueInternational Journal of Robotics and Automation · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueRailway Engineering and Dynamics
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Social Science Fund of ChinaNational Natural Science Foundation of ChinaChina Railway
Mots-clésEnergy (signal processing)Computer scienceAutomotive engineeringEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

An energy-absorbing structure from the front end of subway vehicle was studied to promote crashworthiness during a collision by increasing energy-absorption and decreasing collision force in this paper. A size optimization problem was solved using the non-linear programming by quadratic Lagrangian algorithm by integrating collision simulation code PAM-CRASH in the multidiscipline optimization platform Isight. Moreover, the energy-absorbing structure was redesigned using the topology optimization in OptiStruct module to promote its deformation efficiency. It is indicated that combination of size and topology optimization techniques aforementioned is feasible and efficient in promoting the crashworthiness performance of energy-absorbing structure and providing more safety allowance for passengers.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,606
Score d'incertitude au seuil0,219

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,007
Tête enseignante GPT0,230
Écart entre enseignants0,223 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations0
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Robotics and AutomationMême sujetRailway Engineering and DynamicsTravaux en français237 207