Iterative Learning on Dual-fuel Control of Homogeneous Charge Compression Ignition * *Financial support for this research provided by Biofuelnet Canada.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
An Iterative Learning Controller (ILC) is used to control a dual-fuel Homogeneous Charge Compression (HCCI) engine. The engine is a CFR engine with in-cylinder pressure measurement ports and is operated at 100°C intake heating, 800 RPM and a compression ratio of 11:1. To control combustion timing and load, the amount of iso-octane and n-heptane injected into the manifold are used as inputs. The metrics used for combustion timing and load are CA50, crank angle when 50% of the fuel is burned, and gross IMEP, respectively. Using these inputs and outputs a system identification is performed and an ARMAX model is obtained. This model is then used to generate a norm optimal control. The norm optimal control is compared to a model-less control strategy that involves populating the off-diagonal of the learning matrix using a Jacobian estimate inverse. Both systems are used to follow a reference trajectory involving a step input in IMEP then CA50. The model-less control outperforms the norm optimal in both convergence speed and final iteration error. Application of non-causal filters within the iteration is also tested using a zero-phase filter and a Gaussian filter. The zero-phase has faster convergence than either the Gaussian or filter-less and has better final iteration error. This gives the best ILC control as model-less with zero-phase filter. This control is then compared with two PI controllers. It is found that the ILC outperforms the PI controllers after 3 iterations.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle