Fundamental Review of Hybrid and Modular Modeling Approaches for Road Noise Prediction: Insights from a Fundamental Quarter Car Model
Notice bibliographique
Résumé
Despite the extensive use of Frequency Based Substructuring (FBS) in vehicle dynamics and NVH (Noise, Vibration, and Harshness) analysis, challenges remain in predicting vibrational responses due to complex boundary conditions and limitations in experimental modal analysis. Traditional methods like finite element analysis (FEA) and multibody dynamic simulation (MBD) are time-consuming and require extensive material data, highlighting the need for more efficient and structured modeling approaches. This paper introduces a hybrid FBS-based modeling approach that integrates experimental and numerical data with measurements from disassembled subsystems, enhancing the prediction of noise and vibrations from tire contact excitations. Due to the importance of partitioning in the FBS method, two partitioning schemes are presented: the Minimal Segmentation Approach (MSA), which simplifies the system into the smallest number of subsystems to improve modeling efficiency and accuracy, and the Systematic Element Partitioning (SEP), which breaks the system into smaller, standardized elements to facilitate the creation of a library of subsystems for high-level modeling. Both approaches are applied to a quarter car model, demonstrating improved accuracy in predicting vehicle vibrational responses compared to traditional methods. By using the receptance matrix from disassembled subsystems, this study offers valuable insights into the resonant frequencies of the original dynamic system. Furthermore, due to its modular approach, this method offers flexibility for predicting a vehicle's vibrational performance based on different subsystem modules available in the design shelf by car manufacturers for the early development phase, where building a full vehicle FEM is challenging.
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 | 0,001 |
| 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 ».