論文の概要: Data-Based In-Cylinder Pressure Model with Cyclic Variations for
Combustion Control: A RCCI Engine Application
- arxiv url: http://arxiv.org/abs/2403.03602v2
- Date: Thu, 7 Mar 2024 07:23:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-08 16:28:57.333393
- Title: Data-Based In-Cylinder Pressure Model with Cyclic Variations for
Combustion Control: A RCCI Engine Application
- Title（参考訳）: 燃焼制御のための周期変動を持つデータベースインシリンダ圧力モデル:RCCIエンジンへの適用
- Authors: Maarten Vlaswinkel and Frank Willems
- Abstract要約: シリンダー圧力に基づく制御は、先進的な予混合燃焼の概念の鍵となる。
本研究では, 筒内圧力と周期変動をデータベース手法を用いてモデル化した。
提案手法のポテンシャルは, ディーゼルおよびE85で作動する反応性制御圧縮着火エンジンで実証される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cylinder pressure-based control is a key enabler for advanced pre-mixed
combustion concepts. Besides guaranteeing robust and safe operation, it allows
for cylinder pressure and heat release shaping. This requires fast
control-oriented combustion models. Over the years, mean-value models have been
proposed that can predict combustion measures (e.g., Gross Indicated Mean
Effective Pressure, or the crank angle where 50% of the total heat is released)
or models that predict the full in-cylinder pressure. However, these models are
not able to capture cyclic variations. This is important in the control design
for combustion concepts, like Reactivity Controlled Compression Ignition, that
can suffer from large cyclic variations. In this study, the in-cylinder
pressure and cyclic variation are modelled using a data-based approach. The
model combines Principle Component Decomposition and Gaussian Process
Regression. A detailed study is performed on the effects of the different
hyperparameters and kernel choices. The approach is applicable to any
combustion concept, but most valuable for advance combustion concepts with
large cyclic variation. The potential of the proposed approach is demonstrated
for an Reactivity Controlled Compression Ignition engine running on Diesel and
E85. The prediction quality of the evaluated combustion measures has an overall
accuracy of 13.5% and 65.5% in mean behaviour and standard deviation,
respectively. The peak-pressure rise-rate is traditionally hard to predict, in
the proposed model it has an accuracy of 22.7% and 96.4% in mean behaviour and
standard deviation, respectively. This Principle Component Decomposition-based
approach is an important step towards in-cylinder pressure shaping. The use of
Gaussian Process Regression provides important information on cyclic variation
and provides next-cycle controls information on safety and performance
criteria.
- Abstract（参考訳）: シリンダ圧力に基づく制御は、先進的な予混合燃焼の概念の鍵となる。
堅牢で安全な運転の保証に加えて、シリンダー圧力と放熱成形が可能である。
これは高速制御指向燃焼モデルを必要とする。
長年にわたって、燃焼対策を予測できる平均値モデル(例えば、グロス指標平均有効圧力または全熱の50%が放出されるクランク角度)や、全気筒内圧力を予測するモデルが提案されてきた。
しかし、これらのモデルは周期的変動を捉えることができない。
これは反応制御圧縮着火のような燃焼概念の制御設計において重要であり、大きな循環変動に悩まされる。
本研究では, 筒内圧力と周期変動をデータベース手法を用いてモデル化した。
このモデルは原理成分分解とガウス過程回帰を組み合わせたものである。
異なるハイパーパラメータとカーネル選択の影響について詳細な研究が行われている。
この手法はあらゆる燃焼概念に適用できるが、大きなサイクル変動を持つ先進燃焼概念には最も有用である。
提案手法のポテンシャルは, ディーゼルおよびE85で作動する反応性制御圧縮着火エンジンで実証される。
評価された燃焼指標の予測精度はそれぞれ平均的挙動と標準偏差の13.5%と65.5%である。
ピーク圧上昇速度は伝統的に予測が困難であり、提案モデルでは平均挙動と標準偏差がそれぞれ22.7%と96.4%である。
この主成分分解に基づくアプローチは、シリンダー内圧力形成への重要なステップである。
Gaussian Process Regressionの使用は、周期的変動に関する重要な情報を提供し、安全性と性能基準に関する次サイクル制御情報を提供する。
関連論文リスト
- Combustion Condition Identification using a Decision Tree based Machine Learning Algorithm Applied to a Model Can Combustor with High Shear Swirl Injector [0.0]
燃焼はガスタービンエンジンの主要な工程であり、性能を高めるために効率的な空気-燃料混合が必要である。
高シャースワール噴射器は、燃焼効率と排出を決定づける重要な要因である燃料の微粒化と混合を改善するために一般的に用いられる。
本研究では, メタンを燃料とする単一缶燃焼器の対向回転式高速旋回噴射装置から, 音圧および高速火炎画像を分析し, 燃焼条件を分類するために, 決定木に基づく機械学習アルゴリズムを用いた。
論文 参考訳（メタデータ） (2024-09-18T13:09:18Z) - Chemical Reaction Neural Networks for Fitting Accelerating Rate Calorimetry Data [37.69303106863453]
化学反応ニューラルネットワーク(CRNN)は、モリセル21700 P45Bから得られたARCデータにN方程式のアレニウスODEの運動パラメータを適合させるために訓練される。
この手法の柔軟性は、2方程式と4方程式のモデルを用いて実験することによって実証される。
論文 参考訳（メタデータ） (2024-08-21T20:39:41Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。
局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
論文 参考訳（メタデータ） (2022-07-01T09:06:25Z) - Toward Development of Machine Learned Techniques for Production of
Compact Kinetic Models [0.0]
化学動力学モデルは燃焼装置の開発と最適化に欠かせない要素である。
本稿では、過度に再現され、最適化された化学動力学モデルを生成するための、新しい自動計算強化手法を提案する。
論文 参考訳（メタデータ） (2022-02-16T12:31:24Z) - 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) - Forecasting Thermoacoustic Instabilities in Liquid Propellant Rocket
Engines Using Multimodal Bayesian Deep Learning [1.911678487931003]
我々は、動的圧力時系列の振幅を予測するために、自己回帰ベイズニューラルネットワークモデルを訓練する。
ネットワークは、圧力振幅の進化を正確に予測し、目に見えない実験で500ミリ秒前に不安定事象を予測できる。
論文 参考訳（メタデータ） (2021-07-01T18:28:13Z) - Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。
RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。
RFBの電荷分配曲線を予測する多相モデルを構築した。
論文 参考訳（メタデータ） (2021-06-17T00:49:55Z) - Toward Machine Learned Highly Reduce Kinetic Models For Methane/Air
Combustion [0.0]
運動モデルを用いて、物理実験と比較して運転条件、燃料組成、燃焼器設計の影響をテストする。
対象とする詳細なモデル特性を高い忠実度で再現するコンパクトモデルを作成するための,新しいデータ指向三段階法を提案する。
この戦略はメタン/空気燃焼のための19種と15種のコンパクトモデルによって実証されている。
論文 参考訳（メタデータ） (2021-03-15T13:29:08Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - Hydra: Preserving Ensemble Diversity for Model Distillation [46.677567663908185]
モデルのアンサンブルは、予測性能を改善し、不確実性の堅牢な測定値を得るために経験的に示されている。
最近の研究は、アンサンブルを単一コンパクトモデルに蒸留することに集中しており、アンサンブルの計算と記憶の負担を軽減している。
本稿では,Hydraと呼ぶ単一マルチヘッドニューラルネットワークに基づく蒸留手法を提案する。
論文 参考訳（メタデータ） (2020-01-14T10:13:52Z)
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。