Control-Oriented Data-Driven and Physics-Based Modeling of Maximum Pressure Rise Rate in Reactivity Controlled Compression Ignition Engines
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>Reactivity controlled compression ignition (RCCI) is a viable low-temperature combustion (LTC) regime that can provide high indicated thermal efficiency and very low nitrogen oxides (NOx) and particulate matter (PM) emissions compared to the traditional diesel compression ignition (CI) mode [<span>1</span>]. The burn duration in RCCI engines is generally shorter compared to the burn duration for CI and spark-ignition (SI) combustion modes [<span>2</span>, <span>3</span>]. This leads to a high pressure rise rate (PRR) and limits their operational range. It is important to predict the maximum pressure rise rate (MPRR) in RCCI engines and avoid excessive MPRRs to enable safe RCCI operation over a wide range of engine conditions. In this article, two control-oriented models are presented to predict the MPRR in an RCCI engine. The first approach includes a combined physical and empirical model that uses the first principle of thermodynamics to estimate the PRR inside the cylinder, and the second approach estimates MPRR through a machine learning method based on kernelized canonical correlation analysis (KCCA) and linear parameter-varying (LPV) methods. The KCCA-LPV approach proved to have higher prediction accuracy compared to physics-based modeling while requiring less amount of calibration. The KCCA-LPV approach could estimate MPRR with an average error of 47 kPa/CAD while the physics-based approach’s average estimation error was 87 kPa/CAD.</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) | 0,000 | 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 | 0,001 | 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