Heavy Duty Diesel Engine Modeling with Layered Artificial Neural Network Structures
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
<div class="section abstract"><div class="htmlview paragraph">In order to meet emissions and power requirements, modern engine design has evolved in complexity and control. The cost and time restraints of calibration and testing of various control strategies have made virtual testing environments increasingly popular. Using Hardware-in-the-Loop (HiL), Volvo Penta has built a virtual test rig named VIRTEC for efficient engine testing, using a model simulating a fully instrumented engine. This paper presents an innovative Artificial Neural Network (ANN) based model for engine simulations in HiL environment. The engine model, herein called Artificial Neural Network Engine (ANN-E), was built for D8-600 hp Volvo Penta engine, and directly implemented in the VIRTEC system. ANN-E uses a combination of feedforward and recursive ANNs, processing 7 actuator signals from the engine management system (EMS) to provide 30 output signals. To improve the accuracy in predicting exhaust emissions, the ANNs were arranged into two layers, such that engine temperature and pressure output signals and their average rate of change act as extra inputs for exhaust emission signals. The simulation results show that the ANN-E model accurately predicts engine performance, engine temperatures and pressures along the flow path, as well as exhaust emissions. In addition, the modular nature of ANN-E makes it possible for fast rebuild of the model if engine components are changed. Therefore, the layered modular ANN modeling approach represents a powerful tool for virtual engine testing and calibration optimization.</div></div>
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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