論文の概要: Physics-informed neural networks for predicting gas flow dynamics and
unknown parameters in diesel engines
- arxiv url: http://arxiv.org/abs/2304.13799v2
- Date: Sat, 5 Aug 2023 19:44:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 23:11:34.395608
- Title: Physics-informed neural networks for predicting gas flow dynamics and
unknown parameters in diesel engines
- Title（参考訳）: ディーゼル機関のガス流力学と未知パラメータ予測のための物理インフォームニューラルネットワーク
- Authors: Kamaljyoti Nath, Xuhui Meng, Daniel J Smith, George Em Karniadakis
- Abstract要約: 目的は、エンジンのダイナミクスを評価し、未知のパラメータを"平均値"モデルで識別し、メンテナンス要件を予測することである。
PINNモデルは可変形状ターボチャージャーと排気ガス再循環を備えたディーゼルエンジンに適用される。
本研究は、PINNモデルに加え、ディープニューラルネットワーク(DNN)の利用を検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a physics-informed neural network (PINN) approach for
monitoring the health of diesel engines. The aim is to evaluate the engine
dynamics, identify unknown parameters in a "mean value" model, and anticipate
maintenance requirements. The PINN model is applied to diesel engines with a
variable-geometry turbocharger and exhaust gas recirculation, using measurement
data of selected state variables. The results demonstrate the ability of the
PINN model to predict simultaneously both unknown parameters and dynamics
accurately with both clean and noisy data, and the importance of the
self-adaptive weight in the loss function for faster convergence. The input
data for these simulations are derived from actual engine running conditions,
while the outputs are simulated data, making this a practical case study of
PINN's ability to predict real-world dynamical systems. The mean value model of
the diesel engine incorporates empirical formulae to represent certain states,
but these formulae may not be generalizable to other engines. To address this,
the study considers the use of deep neural networks (DNNs) in addition to the
PINN model. The DNNs are trained using laboratory test data and are used to
model the engine-specific empirical formulae in the mean value model, allowing
for a more flexible and adaptive representation of the engine's states. In
other words, the mean value model uses both the PINN model and the DNNs to
represent the engine's states, with the PINN providing a physics-based
understanding of the engine's overall dynamics and the DNNs offering a more
engine-specific and adaptive representation of the empirical formulae. By
combining these two approaches, the study aims to offer a comprehensive and
versatile approach to monitoring the health and performance of diesel engines.
- Abstract（参考訳）: 本稿では,ディーゼル機関の健康状態を監視するための物理情報ニューラルネットワーク (PINN) を提案する。
目的は、エンジンのダイナミクスを評価し、未知のパラメータを"平均値"モデルで識別し、メンテナンス要件を予測することである。
PINNモデルは、選択した状態変数の測定データを用いて、可変形状ターボチャージャーと排気ガス再循環を備えたディーゼルエンジンに適用される。
その結果、PINNモデルが未知パラメータと雑音データの両方を正確に同時に予測し、損失関数における自己適応重みの重要性を高速収束のために示している。
これらのシミュレーションの入力データは実際のエンジンの動作条件に由来するが、出力はシミュレーションデータであり、実世界の力学系を予測するピンの能力の実用的なケーススタディである。
ディーゼル機関の平均値モデルには、ある状態を表す経験式が組み込まれているが、これらの式は他のエンジンには一般化できない。
これを解決するために、PINNモデルに加えてディープニューラルネットワーク(DNN)の利用を検討する。
dnnは実験室のテストデータを用いて訓練され、平均値モデルでエンジン固有の経験式をモデル化するために使用され、エンジンの状態をより柔軟かつ適応的に表現できる。
言い換えると、平均値モデルはエンジンの状態を表すのに pinn model と dnns の両方を使用し、 pinn はエンジン全体のダイナミクスの物理ベースの理解を提供し、dnns は経験式をよりエンジン固有で適応的な表現を提供する。
この2つのアプローチを組み合わせることで,ディーゼル機関の健全性と性能を総合的かつ多目的にモニタリングする手法を提案する。
関連論文リスト
- A Causal Graph-Enhanced Gaussian Process Regression for Modeling Engine-out NOx [0.0]
本研究の目的は,ガウス過程回帰を用いたNOx排出予測モデルの開発と検証である。
入力ウィンドウを持つ標準ラジアル基底関数カーネルを持つ第1、時間的依存を捉えるために畳み込みニューラルネットワークを使用するディープカーネルを組み込んだ第2、グラフ畳み込みネットワークによって導出される因果グラフでディープカーネルを豊かにする第3の3つのガウスプロセスモデルを用いている。
実測値と定性値の両方を用いて,仮想ECMセンサと比較し,入力ウィンドウと深部カーネル構造を用いた場合の予測性能の向上が得られたと結論付けた。
論文 参考訳（メタデータ） (2024-10-24T04:23:57Z) - RACER: Rational Artificial Intelligence Car-following-model Enhanced by
Reality [51.244807332133696]
本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。
従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。
RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
論文 参考訳（メタデータ） (2023-12-12T06:21:30Z) - Physics-Informed Learning Using Hamiltonian Neural Networks with Output
Error Noise Models [0.0]
ハミルトンニューラルネットワーク(HNN)は、ディープラーニングにおいてハミルトン理論を実装している。
本稿では,物理系のモデリングに対処する出力誤差ハミルトンニューラルネットワーク(OE-HNN)のモデリング手法を提案する。
論文 参考訳（メタデータ） (2023-05-02T11:34:53Z) - Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。
本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
論文 参考訳（メタデータ） (2023-05-01T00:58:48Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - Thermodynamically Consistent Machine-Learned Internal State Variable
Approach for Data-Driven Modeling of Path-Dependent Materials [0.76146285961466]
ディープニューラルネットワークやリカレントニューラルネットワーク(RNN)などのデータ駆動機械学習モデルが,現実的な代替手段になりつつある。
本研究では,計測可能な材料に基づく経路依存材料に対する,機械学習型ロバスト性駆動型モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-01T23:25:08Z) - Neural Operator with Regularity Structure for Modeling Dynamics Driven
by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。
本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。
動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文 参考訳（メタデータ） (2022-04-13T08:53:41Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - Prediction of liquid fuel properties using machine learning models with
Gaussian processes and probabilistic conditional generative learning [56.67751936864119]
本研究の目的は、代替燃料の物理的特性を予測するためのクロージャ方程式として機能する、安価で計算可能な機械学習モデルを構築することである。
これらのモデルは、MDシミュレーションのデータベースや、データ融合-忠実性アプローチによる実験的な測定を用いて訓練することができる。
その結果,MLモデルでは,広範囲の圧力および温度条件の燃料特性を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2021-10-18T14:43:50Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - A Physics-Informed Deep Learning Paradigm for Car-Following Models [3.093890460224435]
物理モデルによるニューラルネットワークに基づくカーフォローモデルの開発を行っています。
2種類のPIDL-CFM問題について検討し,その1つは加速のみを予測し,もう1つは加速のみを予測し,モデルパラメータを発見する。
その結果,無力者よりも物理によって学習されるニューラルネットの性能が向上した。
論文 参考訳（メタデータ） (2020-12-24T18:04:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。