Modeling and Validation of Compressed Snow–Tire Interactions for Traction Assessment Under Controlled Slip Conditions
Notice bibliographique
Résumé
Abstract Snow traction is an important performance parameter for tire manufacturers, and it is evaluated using a standardized test (ASTM F1805-20). In this test, the tire driving traction on compressed snow is recorded under controlled conditions. However, conducting multiple tests is challenging due to the limited availability of proving grounds and the difficulty of maintaining consistent test conditions. Additionally, prototyping and testing are costly. To address these limitations, this paper investigates the modeling and prediction of snow–tire interaction to estimate the traction coefficient of standard reference test tire (SRTT) 225/60R16 at different slip ratios, and it is validated against in situ test data. The SRTT tire is modeled using finite element analysis (FEA) and validated under static loading conditions. The validation considers radial deflection, footprint area, and contact pressure at different inflation pressures against experimental data. Compacted snow is modeled using Drucker–Prager cap (DPC) plasticity material model and a hybrid smoothed particle hydrodynamics-finite element method (SPH-FEM) approach. The DPC model captures the material behavior of compacted snow accurately, while the hybrid SPH-FEM approach is computationally efficient. The study evaluates the traction performance of the SRTT tire on compacted snow for different slip ratios and compares the results with in situ test data. Furthermore, the impact of sipes on traction performance is analyzed by comparing a SRTT tire model with a blank-rib tire model under identical slip conditions. The findings contribute to enhancing traction modeling methodologies for virtual validation of winter tires.
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 ».