A Multi-Physics Design Approach for Electromagnetic and Stress Performance Improvement in an Interior Permanent Magnet Motor
Notice bibliographique
Résumé
<div>Electric motors constitute a critical component of an electric vehicle powertrain. An improved motor design can help improve the overall performance of the drivetrain of an electric vehicle making it more compact and power dense. In this article, the electromagnetic torque output of a double V-shaped traction IPMSM is maximized by geometry optimization, while considering overall material cost minimization as the second objective. A robust and flexible parametric model of the IPMSM is developed in ANSYS Maxwell 2D. Various parameters are defined in the rotor and stator geometries to perform an effective multi-objective parametric design optimization. Advanced sensitivity analysis, surrogate modeling, and optimization capabilities of ANSYS optiSlang software are leveraged in the optimization. Furthermore, a demagnetization analysis is performed to evaluate the robustness of the optimized design. At high-speed operation, a rotor core is usually subject to higher deformation due to the high centrifugal force. Thus, rotor stresses are reduced in the optimized design by shaping the flux barriers around the permanent magnets. This enables high structural integrity of the optimized design for high-speed operation along with the improved electromagnetic performance. The multi-physics design approach proposed in this article provides the capability to design and optimize an IPMSM geometry for performance and cost, which are essential objectives to achieve in an electrified powertrain development. Moreover, consideration of rotor stress at high operating speeds extends the applicability of the proposed design approach to high-power, high-speed electric propulsion applications.</div>
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 ».