Grey-box modeling and control of HCCI engine emissions
Notice bibliographique
Résumé
Real-time model based control of Homogeneous Charge Compression Ignition (HCCI) engines faces a critical challenge of maintaining a perfect balance between model accuracy and computational load. In particular, currently available HCCI emissions models in the literature are highly computationally expensive for control applications. This paper develops a computationally efficient grey-box HCCI engine model for predicting Total Hydrocarbon (THC), Carbon Monoxide (CO), and Nitrogen Oxides (NO <inf xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">x</inf> ). The grey-box model consists of a feed forward Artificial Neural Networks (ANN) model in combination with physical models for estimating combustion phasing and Indicated Mean Effective Pressure (IMEP). The emission model is experimentally validated over a large range of HCCI engine operation including 208 steady state test conditions. The validation results show that the grey-box model is able to predict NOx, CO, and THC with average relative errors less than 10%. Using a Genetic Algorithm optimization method along with the developed emission grey-box model, an optimum CA50 trajectory is obtained for every given load trajectory in order to minimize THC and CO emissions. A model-based controller is designed and tested on the grey-box virtual engine model for tracking IMEP and the optimum CA50 trajectories, while indirectly minimizing the engine emissions. Control results show that the developed grey-box model is of utility for real time HCCI control applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».