MétaCan
Menu
Retour à la cohorte
Enregistrement W3040133622 · doi:10.1109/tte.2020.3006045

Power Electronic Converters in Electric Aircraft: Current Status, Challenges, and Emerging Technologies

2020· article· en· W3040133622 sur OpenAlexaff
Lea Dorn-Gomba, John Ramoul, John Reimers, Ali Emadi

Notice bibliographique

RevueIEEE Transactions on Transportation Electrification · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueSilicon Carbide Semiconductor Technologies
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésElectrificationPower electronicsAviationConvertersElectronicsEngineeringEmerging technologiesElectric power systemTelecommunicationsElectrical engineeringSystems engineeringPower (physics)ElectricityComputer scienceAerospace engineering

Résumé

récupéré en direct d'OpenAlex

The electric revolution is underway in the transportation sector, and the aviation industry is poised to embrace fundamental disruption. Moving to electric aircraft brings undeniable benefits in terms of environmental impact, cost savings, maintenance, noise pollution, and safety. Nevertheless, several technical challenges are yet to be overcome to build electric airplanes that meet public needs while gaining acceptance and trust. From urban air mobility to long-haul flight applications, hundreds of projects are under research to push toward more electrification. At the heart of each aircraft architecture, power electronics plays a crucial role in the new era of transportation. This article aims to provide a comprehensive analysis of state-of-the-art power electronics in electric aircraft. A review of the current status of aircraft electrification will be provided, and technology surveys of power electronic converters will be detailed. Challenges for forthcoming power electronics in response to the future trends of the electrical network will be explained. Finally, emerging technologies regarding wide bandgap devices, advanced topologies and control, thermal management, passive components, and system integration will be discussed.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,001
Communication savante0,0010,003
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,016
Tête enseignante GPT0,221
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations166
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Transportation ElectrificationMême sujetSilicon Carbide Semiconductor TechnologiesTravaux en français237 207