Optimal Design of Pin-Fin Heatsinks for SiC Power Modules Based on Analytical Thermal Modeling and TLBO Algorithm
Notice bibliographique
Résumé
Thermal management has always been one of the leading technical challenges in high-power power modules. Especially in the current trend of seeking high power density of devices, optimized thermal design is crucial. This paper presents an optimal design method for pin-fin heatsinks for SiC power modules, based on analytical thermal models and Teaching Learning Based Optimization (TLBO) algorithm. First, the analytical thermal model of the pin-fin heatsink is introduced, which combines the Fourier-based conduction model and the empirical convection model. Junction temperature <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$(T_{j})$</tex> can be directly estimated using this comprehensive model and has been verified to be within a 5% error by numerical simulations. Then, this paper investigates the effectiveness of TLBO in finding the optimal pin-fin heatsink with a compatible cold plate. Compared to Genetic Algorithm (GA) and Particle Swam Optimization algorithm (PSO), TLBO can converge more easily, taking only one-third of the convergence time with the same optimization target and constraint. This proposed optimal design methodology not only improves the power density of the converter system but also provides a valuable design method for researchers and engineers in the field.
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 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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».