MétaCan
Menu
Retour à la cohorte
Enregistrement W2767527952 · doi:10.1109/tmag.2017.2760859

Effect of Acoustic Noise on Optimal SynRM Design Regions

2017· article· en· W2767527952 sur OpenAlexafffund
Mohammad Hossain Mohammadi, Tanvir Rahman, Rodrigo Silva, B. Wang, Kang Chang, David A. Lowther

Notice bibliographique

RevueIEEE Transactions on Magnetics · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Motor Design and Analysis
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésStatorTorque rippleRotor (electric)Magnetic reluctanceTorqueComputer scienceNoise (video)Finite element methodControl theory (sociology)Optimal designMulti-objective optimizationAcousticsMagnetMechanical engineeringDirect torque controlStructural engineeringPhysicsEngineeringElectrical engineeringInduction motor

Résumé

récupéré en direct d'OpenAlex

This paper investigates the rotor design optimization of synchronous reluctance machines (SynRMs) by using electromagnetic and structural finite-element simulations. Three conflicting objectives, i.e., average torque, torque ripple, and sound pressure level, were considered using a surrogate-based multi-objective approach. While the stator is fixed, the rotor flux barriers of a 33-slot 8-pole SynRM were geometrically varied to extract optimal design regions. These regions or constraints help decrease the computational time during the sampling procedure of a multiple-barrier design. Different numbers of flux barriers were studied and related to each other. Adding the sound pressure level was observed to affect previous results by spreading the Pareto front solutions across the design space.

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 enseignants0,967
Score d'incertitude au seuil0,709

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 Opus0,013
Tête enseignante GPT0,233
Écart entre enseignants0,219 · 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

Citations23
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on MagneticsMême sujetElectric Motor Design and AnalysisTravaux en français237 207