CFD analysis of magnetorheological fluid clutch
Notice bibliographique
Résumé
Magnetorheological (MR) fluid is a type of smart fluid, in which magnetic particles are suspended in a non-magnetic carrier liquid, such as silicone oil. MR fluid is versatile, and caused a significant advancement in actuator technology. When subjected to an external magnetic field, MR fluids exhibit significant and reversible changes in their rheological properties, offering superior control compared to traditional hydraulic actuators while being lighter and more cost-effective. The MR fluid (MRF) clutch is one of the most essential types of actuators for torque transmission in rotating systems. Its reliability stems from the absence of mechanical contacts, which minimizes wear and enhances durability. Most research on MRF clutches has focused on their physical principles and optimization, and often using experimental setups. However, detailed investigations into MR fluid behavior within complex clutch geometries, particularly at high particle volume fractions, remain limited. This study uses a finite-volume based solver and solves the conservative equations for a single-phase highly concentrated MR fluid, to simplify the modeling. The numerical model shows first an excellent agreement with experiments in terms of torque. The influence of the magnetic flux density on the MRF’s dynamic viscosity and velocity profiles is then quantified up to 0.5 T. The magnetic field drastically affects both the fluid flow and properties by inducing large spatial variations in the small rotor-stator gaps.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| 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) | 0,113 | 0,014 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».