MétaCan
Menu
Retour à la cohorte
Enregistrement W2990427069 · doi:10.1109/ecce.2019.8912257

A High Power Density Thermal Management Approach Using Multi-PCB Distributed Cooling (MPDC) Structure

2019· article· en· W2990427069 sur OpenAlexaff
Wenbo Liu, Andrew Yurek, Yang Chen, Bo Sheng, Xiang Zhou, Yan‐Fei Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSilicon Carbide Semiconductor Technologies
Établissements canadiensQueen's University
Organismes subventionnairesnon disponible
Mots-clésComputer coolingPower densityThermalPrinted circuit boardPower (physics)Mechanical engineeringWater coolingActive coolingFinite element methodMaterials scienceThermal management of electronic devices and systemsThermal analysisPassive coolingAir coolingElectronic engineeringNuclear engineeringEngineeringElectrical engineeringStructural engineeringThermodynamicsPhysics

Résumé

récupéré en direct d'OpenAlex

This paper presents a new thermomechanical PCB design that uses a multi-PCB cooling (MPDC) structure to achieve higher power density while maintaining thermal performance. The new MPDC structure focusses on three design principles: multiple vertically stacked PCB's for more efficient use of space, component sorting based on losses for improved cooling, and integrated liquid cooling for maximum thermal dissipation. Liquid cooling method is utilized to implement the thermal management problem with very high power density. Finite element analysis (FEA) based thermal analysis was conducted on the 1.3kW converter with two-PCB integrated liquid cooling model. Same thermal estimation as single PCB structure was verified. An experimental prototype with one PCB and cooling setup with liquid and air cooling was built. A 1.3 kW LLC power converter was developed, 50% less temperature rise on critical devices and 0.6% better efficiency are achieved. Thereafter, the proposed MPDC structure was investigated based the single PCB design. The two-layer MPDC prototype repeats the same efficiency and thermal performance while achieving 31% improvement in power density.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,497
Score d'incertitude au seuil0,967

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 GPT0,205
Écart entre enseignants0,192 · 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'étudeExpérimental (laboratoire)
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

Citations4
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSilicon Carbide Semiconductor TechnologiesTravaux en français237 207