A Random Forest Algorithmic Approach to Predicting Particulate Emissions from a Highly Boosted GDI Engine
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Particulate emissions from gasoline direct injection (GDI) engines continue to be a topic of substantial research interest. Forthcoming regulation both in the USA and the EU will further reduce their emission and drive innovation. Substantial research effort is spent undertaking experiments to understand, characterize, and research particle number (PN) emissions from engines and vehicles. Recent advances in computing power, data storage, and understanding of artificial intelligence algorithms now mean that these are becoming an important tool in engine research. In this work a random forest (RF) algorithm is used for the prediction of PN emissions from a highly boosted (up to 32 bar BMEP) GDI engine. Particle size, concentration, and the accumulation mode geometric standard deviation (GSD) are all predicted by the model. The results are analysed and an in depth study on parameter importance is carried out. The Random Forest algorithm is used as an estimator and the various engine parameters are ranked with a permutation feature importance technique using mean squared error as a performance metric. The results showed that from 82 model parameters only 17 are important for predicting the above PN emission parameters. Moreover, the permutation importance algorithm showed that when the parameters are reduced to 9 the model accuracy is improved due to a reduction in model variance. Overall, the model shows excellent predictive performance for all three parameters even when an independent dataset is used.</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.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».