論文の概要: Physics-based machine learning framework for predicting NOx emissions from compression ignition engines using on-board diagnostics data

• arxiv url: http://arxiv.org/abs/2503.05648v1
• Date: Fri, 07 Mar 2025 18:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:32.966839
• Title: Physics-based machine learning framework for predicting NOx emissions from compression ignition engines using on-board diagnostics data
• Title（参考訳）: オンボード診断データを用いた圧縮点火エンジンからのNOx排出予測のための物理ベース機械学習フレームワーク
• Authors: Harish Panneer Selvam, Bharat Jayaprakash, Yan Li, Shashi Shekhar, William F. Northrop,
• Abstract要約: 本研究は, 圧縮着火エンジン駆動車から排出される窒素(NOx)の酸化物を予測・解析する物理ベースの機械学習フレームワークを提案する。 エンジン燃焼室内のNOx生成は、データ収集速度よりもはるかに短い時間スケールで発生する複雑なプロセスによって制御されるため、オンボード診断データセットからの正確なNOx予測は困難である。 遺伝的アルゴリズムやニューラルネットワークのようなブラックボックスモデルはより正確だが、解釈性は低い。
• 参考スコア（独自算出の注目度）: 3.379691307790944
• License:
• Abstract: This work presents a physics-based machine learning framework to predict and analyze oxides of nitrogen (NOx) emissions from compression-ignition engine-powered vehicles using on-board diagnostics (OBD) data as input. Accurate NOx prediction from OBD datasets is difficult because NOx formation inside an engine combustion chamber is governed by complex processes occurring on timescales much shorter than the data collection rate. Thus, emissions generally cannot be predicted accurately using simple empirically derived physics models. Black box models like genetic algorithms or neural networks can be more accurate, but have poor interpretability. The transparent model presented in this paper has both high accuracy and can explain potential sources of high emissions. The proposed framework consists of two major steps: a physics-based NOx prediction model combined with a novel Divergent Window Co-occurrence (DWC) Pattern detection algorithm to analyze operating conditions that are not adequately addressed by the physics-based model. The proposed framework is validated for generalizability with a second vehicle OBD dataset, a sensitivity analysis is performed, and model predictions are compared with that from a deep neural network. The results show that NOx emissions predictions using the proposed model has around 55% better root mean square error, and around 60% higher mean absolute error compared to the baseline NOx prediction model from previously published work. The DWC Pattern Detection Algorithm identified low engine power conditions to have high statistical significance, indicating an operating regime where the model can be improved. This work shows that the physics-based machine learning framework is a viable method for predicting NOx emissions from engines that do not incorporate NOx sensing.
• Abstract（参考訳）: 本研究は、オンボード診断(OBD)データを入力として、圧縮点火エンジン駆動車からの窒素(NOx)排出の酸化物を予測・解析する物理ベースの機械学習フレームワークを提案する。 エンジン燃焼室内のNOx生成は、データ収集速度よりもはるかに短い時間スケールで発生する複雑なプロセスによって制御されるため、OBDデータセットからの正確なNOx予測は困難である。 したがって、エミッションは単純な経験的物理モデルを用いて正確に予測することはできない。 遺伝的アルゴリズムやニューラルネットワークのようなブラックボックスモデルはより正確だが、解釈性は低い。 本論文で提示した透明なモデルは精度が高く,高放射源の可能性を説明できる。 提案手法は2つの主要なステップから構成される: 物理ベースのNOx予測モデルと新しいDWCパターン検出アルゴリズムを組み合わせることで、物理ベースのモデルでは適切に扱えない操作条件を解析する。 提案フレームワークは、第2の車両OBDデータセットを用いて一般化可能性を検証するとともに、感度解析を行い、モデル予測を深層ニューラルネットワークのそれと比較する。 その結果,提案モデルを用いたNOx排出予測は根平均二乗誤差が約55%向上し,前報のベースラインNOx予測モデルと比較して平均絶対誤差が約60%高いことがわかった。 DWCパターン検出アルゴリズムは、低エンジンの出力条件が統計的に高いことを特定し、モデルを改善する動作状態を示す。 本研究は,NOxセンサを組み込まないエンジンからNOx排出を予測するための,物理に基づく機械学習フレームワークが有効な方法であることを示す。

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)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• GRANP: A Graph Recurrent Attentive Neural Process Model for Vehicle Trajectory Prediction [3.031375888004876]
  車両軌道予測のためのGRANP(Graph Recurrent Attentive Neural Process)という新しいモデルを提案する。 GRANPには、決定論的パスと遅延パスを持つエンコーダと、予測のためのデコーダが含まれている。 我々は,GRANPが最先端の結果を達成し,不確実性を効率的に定量化できることを示す。
  論文  参考訳（メタデータ） (2024-04-09T05:51:40Z)
• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• Application of Neural Network in the Prediction of NOx Emissions from Degrading Gas Turbine [0.0]
  9つの異なるプロセス変数、または予測子は予測モデルにおいて考慮される。 ニューラルネットワークアルゴリズムによってトレーニングされたモデルは、NOx放出の最小値に達するためにプロセス変数の最適設定を示す。
  論文  参考訳（メタデータ） (2022-09-19T16:44:44Z)
• 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)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• Hessian-based toolbox for reliable and interpretable machine learning in physics [58.720142291102135]
  本稿では,モデルアーキテクチャの解釈可能性と信頼性,外挿を行うためのツールボックスを提案する。 与えられたテストポイントでの予測に対する入力データの影響、モデル予測の不確実性の推定、およびモデル予測の不可知スコアを提供する。 我々の研究は、物理学やより一般的には科学に適用されたMLにおける解釈可能性と信頼性の方法の体系的利用への道を開く。
  論文  参考訳（メタデータ） (2021-08-04T16:32:59Z)
• Vehicle Emissions Prediction with Physics-Aware AI Models: Preliminary Results [3.7539433163922826]
  本稿では,車載診断(obd)データセットと物理に基づく排出予測モデルを用いて,車両排出を予測するai(artificial intelligence)手法の開発を目標とする。 提案手法は,非AI低階物理モデルよりも予測精度が約65%向上し,ベースラインモデルよりも約35%正確である。
  論文  参考訳（メタデータ） (2021-05-02T01:52:59Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。