Optimization of Gusset Geometry for Racecar Frame Design
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">This research optimizes sheet metal gusset geometry to support a suspension pickup point in a Formula SAE racecar. The sheet metal gusset design incorporates an external radial cut-out and an internal triangular cut-out, each of which can be adjusted in size to optimize the stiffness to mass ratio. A finite element analysis was set up using a heavy braking load case, which applied 3900 N to the suspension point being supported by the gusset. A parametric optimization (finite element analysis) was run in SolidWorks to gather mass and stiffness data for each of the 143 designs under the prescribed load case. The parametric optimization was run on both a simulated front hoop and a test fixture, which showed a similar trend in their results. Experimental testing was performed on three designs. The gusset profiles were waterjet and TIG welded to the test fixture tube frames. The results of the test agreed with the simulation results with a discrepancy of less than 10% in all cases. The results of the parametric optimization were then analyzed using the Karush–Kuhn–Tucker (KKT) optimization method in MATLAB and an optimal design set was found. Any design in this set has the minimum mass for its given stiffness. This process can be used to determine the design with the maximum stiffness/mass ratio for any given stiffness requirement and is accurate to within 10% of the simulated value. The optimization method is not limited to specific gusset geometry and can be used to reduce the mass of any gusset with known loading conditions.</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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».