Lumped Parameter Thermal Network Modelling of Power Transformers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The trend of increasing power densities of modern day power converters is pushing components like power transformers to their thermal limits, furthering the need for accurate thermal modelling. Numerical methods like Computational Fluid Dynamics (CFD) and Finite Element Analysis (FEA) are commonly used for the thermal characterization of electronic components like power transformers. Although, such numerical methods provide accurate thermal results they possess the drawback of having a large computational head. The present paper aims to address this issue by investigating a low cost Lumped Parameter Thermal Network (LPTN) model that can provide reasonably accurate results with greatly reduced computational effort. Further, the thermal network modelling methodology employed can be easily automated with a simple and intuitive method for thermal resistance calculation. In order to compare the accuracy of the proposed thermal network model to conventional numerical models, a coupled electromagnetic and CFD (multiphysics) analysis is conducted. Finally, the proposed thermal network model and the multiphysics model are experimentally validated on a PQ 40/30 transformer operating in a 3.3 kW Switch Mode Power Supply (SMPS). The proposed thermal network model is able to predict transformer operating temperatures within 10 % of the experimental results, with only a fraction of the computational time of the detailed multiphysics numerical model, providing a means of quick estimation of transformer thermal management requirements in the initial design phase.
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.
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) | 0,009 | 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 découle