Partition layout inside a muffler integrated with a thermoelectric generator: Multi-physics analysis and optimal design
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
A multi-physics-analysis-based topology optimization (TO) method is proposed to optimally design the internal partition layout of a muffler integrated with a thermoelectric generator (TEG). The basic equations governing the acoustical behavior, heat transfer, and fluid flow in the muffler are introduced, and their interaction is designated for exact numerical analysis in terms of acoustics, heat transfer, and fluid mechanics. To implement density-based TO, one design variable is assigned to each finite element in the design domain, and interpolation functions suitable for each physics phenomenon are employed. In the TO problem formulation, the sum of the squared acoustic pressures at the outlet of the muffler for multi-target frequencies is selected as an objective function to achieve broadband noise attenuation. The temperature of the TEG and the pressure drop are constrained for high energy recovery efficiency and fluid passage, respectively. The optimization problem formulated for the muffler design is solved for various design conditions. Optimal partition layouts are obtained depending on the location and length of the TEG, the upper limit value of the pressure drop, and the number of target frequencies in the same frequency band. The noise attenuation performances of each partition layout are compared, and their expected recovery energies are calculated. One optimal partition layout is discussed in terms of acoustics, heat transfer, and fluid mechanics. The numerical results strongly support the validity of our proposed method for the optimal design of a muffler integrated with a TEG.
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 | 0,001 |
| 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 découle