Application of a Seat Transmissibility Approach to Experience Measured or Predicted Seat-Rail Vibration in a Multi-Attribute Simulator
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Computer modelling, virtual prototyping and simulation is widely used in the automotive industry to optimize the development process. While the use of CAE is widespread, on its own it lacks the ability to provide observable acoustics or tactile vibrations for decision makers to assess, and hence optimize the customer experience. Subjective assessment using Driver-in-Loop simulators to experience data has been shown to improve the quality of vehicles and reduce development time and uncertainty. Efficient development processes require a seamless interface from detailed CAE simulation to subjective evaluations suitable for high level decision makers. In the context of perceived vehicle vibration, the need for a bridge between complex CAE data and realistic subjective evaluation of tactile response is most compelling. A suite of VI-grade noise and vibration simulators have been developed to meet this challenge. In the process of developing these solutions VI-grade has identified the need for a means of accurately interpreting and presenting CAE vibration predictions at hardpoints such as the seat-rail (which can be efficiently and accurately modelled) as equivalent vibration at the driver tactile interfaces. This need has resulted in the development of a seat transmissibility approach to transform the seat-rail vibration to an accurate reproduction of vibration at the seat to driver interface points. This paper will describe an efficient measurement based seat transmissibility approach, and identify additional benefits such as the ability to make virtual seat swaps or experience the vibration that would be perceived by people with different physical characteristics (body mass, height, etc.).</div></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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».