MétaCan
Menu
Retour à la cohorte
Enregistrement W4384129924 · doi:10.1109/itherm55368.2023.10177542

Implementation of a Topologically Optimized Heat Sink for Non-Uniform Heat Fluxes in an Electric-Vehicle Fast-Charger

2023· article· en· W4384129924 sur OpenAlexaff
Joshua Palumbo, Omri Tayyara, Seyed Amir Assadi, Carlos M. Da Silva, Olivier Trescases, Cristina H. Amon, S. Chandra

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésHeat sinkThermal resistanceMaterials scienceThermalSink (geography)Heat fluxHeat spreaderJunction temperatureAluminiumHeat transferMechanical engineeringNuclear engineeringMechanicsThermodynamicsComposite materialEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

High-power electrical topologies, typically employed in power conversion systems such as electric vehicle (EV) charg-ers, often utilize several discrete power semiconductor devices with varying electrical loads and material properties, resulting in non-uniform heat fluxes. Due to manufacturing limitations, commercially available heat sinks are designed to reduce overall device temperature but cannot provide an application-specific solution to target these non-uniform heat fluxes. This work utilizes a novel additive manufacturing technique using wire-arc thermal spray to fabricate a topologically optimized heat sink for cooling an EV fast charger. The heat sink is designed to reduce the temperature differences in power semiconductor devices with non-uniform heat fluxes. A modified commercially available heat sink containing a copper tube embedded in an aluminum plate is used as a baseline and compared to the proposed design. Experimental results demonstrate that the optimized heat sink yields a 27% reduction in average thermal resistance from the cooling fluid to the surface of the heat sink under each device and a 25% reduction in maximum heat sink surface temperature difference.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,239
Score d'incertitude au seuil0,416

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,279
Écart entre enseignants0,262 · 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 tête enseignante, 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
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

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHeat Transfer and OptimizationTravaux en français237 207