Automotive HVAC Dual Unit System Cool-Down Optimization Using a DFSS Approach
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Automotive AC systems are typically either single unit or dual unit systems, while the dual unit systems have an additional rear evaporator. The refrigerant evaporates inside these heat exchangers by taking heat and condensing the moisture from the recirculated or fresh air that is being pushed into the car cabin by air blowers. This incoming cold air in turn brings the cabin temperature and humidity to a level that is comfortable for the passengers. These HVAC units have their own thermal expansion valve to set the refrigerant flow, but both are connected to the main AC refrigerant loop. The airflows, however, are controlled independently for front and rear unit that can affect the temperature and amount of air coming into the cabin from each location and consequently the overall cabin cool-down performance. The goal of this paper is to find the optimal configuration of an AC system to achieve maximum cool down by investigating the effect of parameters such as distribution of air between the front and rear unit, front and rear evaporator, TXV settings, etc. This study uses a Design for Six Sigma (DFSS) approach to identify the best combination of system components and air distributions that achieve the goal of optimized AC performance. This strategy can guide the engineers to design more efficient HVAC systems that are optimized to meet the requirements of the AC system and passenger comfort. A 1D numerical model, using Siemens’ LMS Imagine. Lab AMESim 15, is developed to predict the AC system performance for these different system configurations. Both the refrigerant side and the air side components including the cabin are modeled and validated against the vehicle test data.</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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».