MétaCan
Menu
Retour à la cohorte
Enregistrement W4319459237 · doi:10.1109/tte.2023.3242698

Innovations in Axial Flux Permanent Magnet Motor Thermal Management for High Power Density Applications

2023· article· en· W4319459237 sur OpenAlexaff
Colleen Jenkins, Samantha Jones-Jackson, Islam Zaher, Giorgio Pietrini, Romina Rodriguez, James S. Cotton, Ali Emadi

Notice bibliographique

RevueIEEE Transactions on Transportation Electrification · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueElectric Motor Design and Analysis
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésStatorTorque densityMechanical engineeringPowertrainRotor (electric)MagnetAutomotive engineeringPower densityTorquePower (physics)EngineeringElectrical engineeringMaterials sciencePhysics

Résumé

récupéré en direct d'OpenAlex

For aerospace applications, power density is a major driving force in the design of electrified powertrains. At the forefront is the challenging design of electric motors with high efficiencies, torque, and power capabilities. Due to its high performance, the Axial Flux Permanent Magnet (AFPM) Motor is expected to be one of the leading technologies to meet the demands of these industries. Finding the balance between the cooling system’s effectiveness and subsequent parasitic losses is key to utilizing these performance benefits. Single stator double rotor topologies achieve the best torque density and lower stator losses, however are more challenging to cool as the stator is in the center of the motor. Single stator single rotor and double stator machines are less challenging to cool but typically have lower power density. Rotor air cooling is discussed including the effectiveness of blades, meshes, and vents which can be optimized to prevent demagnetization. Stator cooling is critical as many machines maximize current density producing a large amount of heat. The chosen strategy depends on the machine topology and can be accomplished by several strategies, including jackets, fins, channels, immersion cooling, hollow coils, and heat pipes.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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 Opus0,009
Tête enseignante GPT0,214
Écart entre enseignants0,205 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations50
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Transportation ElectrificationMême sujetElectric Motor Design and AnalysisTravaux en français237 207