A Thermal Management Design Methodology for Advanced Power Electronics Utilizing Genetic Optimization and Additive Manufacturing Techniques
Notice bibliographique
Résumé
Power-electronic converters are critical elements in current and future electrification efforts in transportation technologies. Safety and regulatory requirements in electric vehicles (EVs) have placed stringent new demands on the performance and reliability of the associated power electronics. In order to meet these challenges, novel architectures and construction materials are being utilized for optimizing the electrical and thermal performance of the converter systems. Due to the inherently-coupled nature of these aspects, thermal management strategies have become an integral part of the overall power-electronic design process. This paper presents a thermal-management methodology that utilizes genetic algorithms (GA) to generate topologically-optimized geometries for liquid-cooled heat sinks. These GA-generated heat sinks utilize impingement-cooling principles and leverage the flexibility of stereolithography manufacturing techniques to reduce cost, volume and weight of on-board electrical systems in EVs. This optimization process is then demonstrated for a novel 7-kW integrated power module (IPM) design that employs bare-die silicon-carbide devices on a hybrid printed circuit board utilizing ceramic elements embedded in the FR-4 substrate. Experimentally-validated electro-thermal multi-physics simulations of a GA-optimized heat sink show a 10.6°C reduction in average junction temperature of the heat-generating devices, while maintaining reasonable pressure drops and a narrow temperature variation of 1.2°C between the individual devices, as compared to the initial seed design. The results demonstrate the effectiveness of the co-design approach and the GA-based optimization methodology.
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 | 0,000 |
| 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 ».