A correlation-based model order reduction approach for a diesel engine NO <sub>x</sub> and brake mean effective pressure dynamic model using machine learning
Notice bibliographique
Résumé
A correlation-based model order reduction algorithm is developed using support vector machine to model [Formula: see text] emission and break mean effective pressure of a medium-duty diesel engine. The support vector machine–based model order reduction algorithm is used to reduce the number of features of a 34-feature full-order model by evaluating the regression performance of the support vector machine–based model. Then, the support vector machine–based model order reduction algorithm is used to reduce the number of features of the full-order model. Two models for [Formula: see text] emission and break mean effective pressure are developed via model order reduction, one complex model with high accuracy, called high-order model, and the other with an acceptable accuracy and a simple structure, called low-order model. The high-order model has 29 features for [Formula: see text] and 20 features for break mean effective pressure, while the low-order model has nine features for [Formula: see text] and six features for break mean effective pressure. Then, the steady-state low-order model and high-order model are implemented in a nonlinear control-oriented model. To verify the accuracy of nonlinear control-oriented model, a fast response electrochemical [Formula: see text] sensor is used to experimentally study the engine transient [Formula: see text] emissions. The high-order model and low-order model support vector machine models of [Formula: see text] and break mean effective pressure are compared to a conventional artificial neural network with one hidden layer. The results illustrate that the developed support vector machine model has shorter training times (5–14 times faster) and higher accuracy especially for test data compared to the artificial neural network model. A control-oriented model is then developed to predict the dynamic behavior of the system. Finally, the performance of the low-order model and high-order model is evaluated for different rising and falling input transients at four different engine speeds. The transient test results validate the high accuracy of the high-order model and the acceptable accuracy of low-order model for both [Formula: see text] and break mean effective pressure. The high-order model is proposed as an accurate virtual plant while the low-order model is suitable for model-based controller design.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».