論文の概要: Learning-Based Decision Making for Combustion Phasing Control in Multi-Fuel CI Engines with Latent Fuel Reactivity Estimation
- arxiv url: http://arxiv.org/abs/2606.18393v1
- Date: Tue, 16 Jun 2026 18:36:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.85107
- Title: Learning-Based Decision Making for Combustion Phasing Control in Multi-Fuel CI Engines with Latent Fuel Reactivity Estimation
- Title（参考訳）: 遅延燃料反応性推定を用いた多燃料CIエンジンの燃焼ファスリング制御のための学習ベース決定法
- Authors: Rajasree Sarkar, Aditya Satish Patil, Arunava Banerjee, Ihsan Berk Altiner, Zongxuan Sun, Kenneth Kim, Chol-Bum Mike Keown,
- Abstract要約: マルチ燃料圧縮着火エンジンは燃料の柔軟性を提供するが、不確実な時間変化の燃料反応性を導入する。
この研究は、部分的に観測可能なシーケンシャルな決定問題として、潜時CN変動の下でCA50の規制を定式化する。
提案するGRU誘導RLフレームワークは燃焼履歴から燃料反応性のコンパクトな表現を学習する。
- 参考スコア（独自算出の注目度）: 1.4658400971135652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-fuel compression-ignition engines offer fuel flexibility but introduce uncertain, time-varying fuel reactivity, represented by cetane number (CN), which complicates cycle-to-cycle combustion-phasing control. This work formulates CA50 regulation under latent CN variation as a partially observable sequential decision problem and systematically evaluates controllers with increasing temporal and representational capacity, including LinUCB, history-augmented contextual bandits, observation-only DDPG, recurrent DDPG, and a proposed GRU-guided RL framework. A Gaussian-process surrogate trained on experimental multi-fuel engine data provides a controlled and reproducible evaluation environment. Results show that myopic and fixed-history bandit methods degrade under CN variation, observation-only RL suffers from latent-state aliasing, and generic recurrence is insufficient when CN evolves rapidly. The proposed framework learns a compact GRU-based representation of fuel reactivity from combustion history and conditions both actor and critic on this estimated signal rather than oracle CN. By training the policy on the same imperfect fuel-reactivity information available at deployment, the controller avoids train-deploy inconsistency in conventional online estimate-then-control pipelines. Across unseen CN trajectories, the policy achieves stable CA50 regulation with mean absolute tracking error below 0.25° CA at the training setpoint, while producing smooth, physically consistent SOI and glow-plug-power actuation. These results show that combustion control under latent, continuously evolving fuel dynamics requires more than standalone estimation or generic recurrence. By aligning fuel-reactivity inference with control policy learning, the proposed framework enables reactivity-aware decision-making using the same estimated state available during deployment.
- Abstract（参考訳）: マルチ燃料圧縮着火エンジンは、燃料の柔軟性を提供するが、セタン数(CN)で表される不確実な時間変化の燃料反応性を導入する。
本研究は、潜時CN変動下でのCA50制御を部分的に観測可能な逐次決定問題として定式化し、LinUCB、履歴拡張された文脈帯域、観測専用DDPG、リカレントDDPG、提案されたGRU誘導RLフレームワークを含む時間的および表現的能力を持つコントローラを体系的に評価する。
実験的なマルチ燃料エンジンデータに基づいて訓練されたガウスプロセスサロゲートは、制御され再現可能な評価環境を提供する。
以上の結果より,CNの経時的変化にともなう筋電図および固定史的バンドイット法は低下し,観察のみのRLは潜伏状態のエイリアスに悩まされ,CNの急激な進化にともなう一般的な再発は不十分であることが示唆された。
提案フレームワークは, 燃焼履歴とアクタ, 評論家の両条件から, 炉心CNではなく, コンパクトなGRUに基づく燃料反応性の表現を学習する。
制御器は、配置時に利用できるのと同じ不完全な燃料反応性情報に基づいてポリシーを訓練することにより、従来のオンライン推定制御パイプラインにおける列車配置の不整合を回避する。
未確認のCN軌道全体にわたって、このポリシーはトレーニングセットポイントにおいて0.25° CA以下の平均絶対追跡誤差で安定したCA50制御を達成し、スムーズで物理的に一貫したSOIと光プラグパワーのアクチュエータを生成する。
これらの結果から, 滞留型連続進化型燃料力学の下での燃焼制御には, スタンドアローンの推算や再帰以上のことが必要であることが示唆された。
燃料反応性推論を制御ポリシ学習と整合させることにより、提案フレームワークは、デプロイ中に利用可能な同じ推定状態を用いて、反応性を考慮した意思決定を可能にする。
関連論文リスト
- Data-driven Control with Real-time Uncertainty Compensation for Multi-Fuel Engines [1.4658400971135652]
マルチ燃料圧縮点火(CI)エンジンは、より優れた出力密度と燃料の柔軟性を提供する。
幅広い運転条件で一貫した最適な燃焼処理を実現することは、大きな課題である。
本稿では,CIエンジンの燃焼制御のためのデータ駆動型リアルタイム不確実性補償フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-15T03:35:27Z) - SOPE: Stabilizing Off-Policy Evaluation for Online RL with Prior Data [49.370849653460716]
本稿では,アクタに整列したオフポリシー評価信号を用いたSOPEを,自動早期停止機構として提案する。
Minariベンチマークスイートから25の継続的制御タスクを評価した。
SOPEはベースライン性能を最大45.6%改善し、必要なTFLOPを最大22倍改善した。
論文 参考訳（メタデータ） (2026-05-07T08:32:09Z) - Advancing multi-site emission control: A physics-informed transfer learning framework with mixture of experts for carbon-pollutant synergy [16.246623230814922]
本稿では,多地点の放射挙動を伝達可能なシステムレベル構造を通して表現できることを示す。
炭素汚染物質混合専門家モデルに基づく物理情報伝達学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-04-29T11:54:18Z) - Generate, Filter, Control, Replay: A Comprehensive Survey of Rollout Strategies for LLM Reinforcement Learning [79.88942231770629]
強化学習(RL)は、大規模言語モデル(LLM)の推論能力を向上させるための訓練後の中心的なツールとなっている。
統一表記によるロールアウトパイプラインの形式化とGenerate-Filter-Control-Replay(GFCR)の導入
検証可能な報酬、プロセスの監督、判断に基づくゲーティング、ガイドとツリー/セグメントのロールアウト、アダプティブな計算割り当て、早期終了と部分的なロールアウト、スループット最適化、自己改善のための再生/再配置でRLにまたがる手法を合成する。
論文 参考訳（メタデータ） (2026-04-08T00:53:29Z) - Error Amplification Limits ANN-to-SNN Conversion in Continuous Control [64.99656514469972]
スパイキングニューラルネットワーク(SNN)は、すでに訓練済みのニューラルネットワーク(ANN)を変換することで、競争性能を達成することができる。
既存の変換法は、適切なベースラインがほとんど存在しないような連続的な制御では性能が良くない。
本研究では, 時間的相関誤差を抑制するために, 残留膜電位を決定段階にわたって超過する軽量なトレーニング自由機構であるCRPIを提案する。
論文 参考訳（メタデータ） (2026-01-29T14:28:00Z) - Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。
現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。
AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
論文 参考訳（メタデータ） (2026-01-21T14:13:44Z) - COVLM-RL: Critical Object-Oriented Reasoning for Autonomous Driving Using VLM-Guided Reinforcement Learning [55.83415345423854]
批判的オブジェクト指向(CO)推論と強化学習(RL)を統合した新しいエンドツーエンド駆動フレームワークCOVLM-RLを提案する。
CARLAシミュレータで行った実験により、COVLM-RLはトレーニング運転環境における成功率を30%向上することが示された。
論文 参考訳（メタデータ） (2025-12-10T06:18:16Z) - Shielded Controller Units for RL with Operational Constraints Applied to Remote Microgrids [50.64533198075622]
強化学習(Reinforcement Learning, RL)は、不確実性の下で複雑なシステムにおける意思決定を最適化するための強力なフレームワークである。
本稿では,システムダイナミクスの事前知識を活用する体系的かつ解釈可能なアプローチであるシールド制御ユニット(SCU)を紹介する。
本研究では,厳密な運用要件を持つ遠隔マイクログリッド最適化タスクにおけるSCUの有効性を示す。
論文 参考訳（メタデータ） (2025-11-30T19:28:34Z) - Constrained Optimal Fuel Consumption of HEVs under Observational Noise [20.47634814037652]
本研究では,SOCと基準速度の両方に観測ノイズを明示的に組み込むことでCOFC問題を再構築する。
その結果, 燃料消費とSOC制約満足度は, 様々な騒音レベルにおいて頑健であることが示唆された。
論文 参考訳（メタデータ） (2024-10-28T10:45:42Z) - A novel learning-based robust model predictive control energy management
strategy for fuel cell electric vehicles [3.1228843539209508]
4WD燃料電池電気自動車(FCEV)のための新しい学習型ロバストモデル予測制御(LRMPC)戦略を提案する。
機械学習(ML)に基づくよく設計された戦略は、非線形システムの知識を、より優れたロバストな性能を持つ明示的な制御スキームに翻訳する。
以上の結果から, LRMPCの省エネ電位と高リアルタイム適用能力の最適制御効果が示された。
論文 参考訳（メタデータ） (2022-09-12T02:57:48Z) - Safe Learning Reference Governor for Constrained Systems with
Application to Fuel Truck Rollover Avoidance [2.6856763450986336]
本稿では,正確なモデルが利用できないシステムにおける状態制約と制御制約を強制する学習基準ガバナー(LRG)手法を提案する。
提案したLRGは,様々な運転条件下でのロールオーバー事故から燃料トラックを効果的に保護できることを示す。
論文 参考訳（メタデータ） (2021-01-22T19:13:11Z)
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。