Electric Motor Simulator for Didactic Support by Means of an Electromechanical Mathematical Model
Bibliographic record
Abstract
El objetivo de esta investigación es desarrollar un simulador de motor eléctrico basado en un modelo matemático electromecánico, que pueda utilizarse como herramienta didáctica para la enseñanza de cursos en laboratorios de ingeniería mecánica, eléctrica y electromecánica. Se empleó un método analítico para estudiar los principios y elementos de todas las partes de un motor de CC y una técnica experimental para la recopilación de datos; se empleó el lenguaje de programación Python para realizar el análisis de datos. En la validación del modelo, se encontró una correlación de 0,775 para la corriente; es decir, la fuerza de asociación es alta, y una correlación de 0,94 para la velocidad, lo que explica una fuerza de asociación muy alta. Además, el error cuadrático medio en la corriente es de 0,002, mientras que el error cuadrático medio en la velocidad es de 1,189. Los resultados numéricos ilustran la robustez y estabilidad del modelo matemático. La investigación tiene contribuciones tanto académicas como sociales, y sirve de base para futuras investigaciones relacionadas con el modelado matemático en el campo de la ingeniería mecánica, eléctrica, electromecánica y de control. En futuras investigaciones, el objetivo es modelar varios tipos de motores y posteriormente desarrollar un multisimulador de motores eléctricos con fines educativos y económicos
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.016 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".