MétaCan
Menu
← Retour à la cohorte
Enregistrement W4231934433 · doi:10.22215/etd/2016-11512

Advanced Methods for Steady-State Analysis and Design of Switching Power Converter Systems

2016· dissertation· en· W4231934433 sur OpenAlexaff
Martin Plesnik

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineEngineering
ThématiqueAdvanced DC-DC Converters
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésConvertersElectronic engineeringPower (physics)Boost converterBuck converterComputer scienceNetwork analysisWaveformElectronic circuitEngineeringElectrical engineeringVoltage

Résumé

récupéré en direct d'OpenAlex

Current development trends in the area of switching power converters such as rising integration, increasing power density, and the growing complexity of power converter systems have indicated a strong need for a new class of simulation tools which would allow for a complex approach to solve the problems of converter analysis and design.Such an approach, besides being a fast and accurate simulation of the switching waveforms of the converter, should also include an overall analysis of converter behavior in response to changes in operating conditions, a search for extreme values of internal variables of the converter circuit, computation of power dissipated by particular devices, calculation of efficiency, ac analysis, sensitivity analysis, and design optimization.The role of determining the steady-state with the resulting algorithms is crucial.Research in the area of numerical analysis of switching power converter circuits has been traditionally focused on the operation of a single power converter.However, growing demand for integrated high-power-density solutions requires this analysis to expand beyond the domain of one converter and capture the interaction of all power converters in the network.In order to better address the needs of development and practical design, this thesis presents alternative simulation techniques which can be used for the analysis of networks consisting of multiple switching converters.The focus of this work is the area of steadystate analysis.Two new methods for the efficient determination of switching power converter steady-state are presented.These new methods simplify the algorithm structure by reducing the number of iteration loops and effectively address the convergence issues Dedication To the living memories of my father, one of the best engineers who I have ever known and whose life has become an example and inspiration for me.I also dedicate this thesis to my mother for her unconditional love, my wife Jana for her kindness, endless patience, and support, and to my children Eva and Tom for being with me even when I was not at home.

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)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,022

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,002

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 Opus0,012
Tête enseignante GPT0,301
Écart entre enseignants0,290 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced DC-DC Converters→Travaux en français237 207→