Artificial Neural Network Based Predictive Approach in Vehicle Thermal Systems Applications
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">In the automotive industry, there is an abundance of test data collected at different stages of a vehicle’s development. Heavy reliance on testing can lead to a significant increase in a vehicle program’s design costs and further delay in the development timing as vehicle instrumentation and testing is costly and time-consuming. This paper focuses on a novel approach using the Artificial Neural Network (ANN). ANNs are computing systems inspired by the brain’s biological networks that can learn by considering examples. The “trained” network can then be used to predict the system’s performance in a reliable and efficient manner. This is particularly useful in the automotive industry as there exists a considerable amount of test data in the system, sub-system or component level that can be used to train the ANN. The trained ANN can then be used as an alternative for performance prediction and reduce the reliance on additional physical testing. The study focuses on thermal and climate control systems and the application of ANNs to predict the thermal performance. It is shown that ANNs are very robust at predicting a system’s thermal performance after being trained on system and bench level test data, and can potentially reduce the need to conduct additional testing.</div><div class="htmlview paragraph">Furthermore, there are certain variables of thermal systems such as vehicle cabin humidity and HVAC fresh air purge that are very difficult to capture using physics based transient simulation at vehicle level. ANNs modeling methodology is developed and shown to be able to reliably predict these variables; the methodology is then implemented in a 1D numerical model.</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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».