Development of an Intelligent Passive Device Generator for Road Vehicle Applications
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
Flow control has a tremendous technological and economic impact, such as aerodynamic drag reduction on road vehicles which translates directly into fuel savings, with a consequent reduction in greenhouse gas emissions and operating costs. In recent years, machine learning has also been used to develop new approaches to flow control in place of more laborious methods, such as parametric studies, to find optimal parameters with few exceptions. This paper proposes an intelligent passive device generator (IPDG) that combines computational fluid dynamics (CFD) and genetic algorithm, more specifically, the Non-dominated Sorting Genetic Algorithm II (NSGA II). The IPDG is not application specific and can be applied to generate various devices in the given design space. In particular, it creates three-dimensional passive flow control devices with unique shapes that are aerodynamically efficient in terms of the cost function (i.e., aerodynamic drag and lift). In this paper, the IPDG is demonstrated using a rear flap and an underbody diffuser as passive devices. The three-dimensional Reynolds-averaged Navier-stokes (RANS) equations were used to solve the problem. Relative to the baseline, the IPDG generated flap-only, and diffuser-only provide drag reductions of 6.3% and 5.4%, respectively, whereas the flap-diffuser combination provides a drag reduction of 7.4%. Furthermore, the increase in the downforce is significant from 624.4% in flap-only to 4930% and 4595% in the diffuser and flap-diffuser combination. The proposed method has the potential to evolve into a universal passive device generator with the integration of machine learning.
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 | 0,001 | 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 découle