Perceived precipitation intensity prediction model based on simultaneous dynamic and static observations for evaluating weather impacts on vehicle applications
Notice bibliographique
Résumé
Adverse weather conditions increase road risks; thus, weather testing is necessary to evaluate vehicle performance. Outdoor testing is the most realistic, but it is not as controlled, repeatable, and rapid as indoor testing using an artificial precipitation system. However, outdoor data is still desirable for establishing the simulation targets on the vehicle surfaces. The dynamic-to-static precipitation intensity ratio is a useful parameter to correlate natural precipitation with perceived precipitation experienced by the moving vehicle. Theoretically, the amount of precipitation experienced by a translating surface depends on the orientation and travel speed. However, there are other external factors that could affect the perceived intensity, such as wind, turbulence, and droplet size distribution (DSD). Therefore, the existing simplified models evaluating a number of droplet strikes or precipitation flux calculated using natural precipitation density fail to have accurate predictions of the perceived precipitation rate, which hinders the evaluation vehicle application performance, such as sensor perception. In the present work, a semi-empirical prediction model is developed from the physics of precipitation in the context of vehicle aerodynamics and atmospheric dynamics. This model is validated with outdoor testing on a track for three days with rainy conditions. Multiple optical disdrometers are used to evaluate the precipitation rate experienced by a moving vehicle at different surface orientations through meteorological observations obtained in real-time from a nearby stationary meteorological tower and a moving vehicle. The data acquisition and processing methods are presented in detail. Results suggested that the proposed model is found to improve the current simplified mathematical expressions and is repeatable. It is found that improvements in prediction accuracy of perceived precipitation intensity compared to existing methods are usually more than 50%.
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 ».