Data-Driven Model Learning and Control of RCCI Engines based on Heat Release Rate
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
Reactivity controlled compression ignition (RCCI) technology not only offers high thermal efficiency but also produces low nitrogen oxides (NOx) and soot emissions. However, it is imperative to control the combustion in RCCI engines to prevent high pressure rise rates and combustion instability. In this study, a model-based control framework is developed to optimize the RCCI operating mode. To this end, the effects of variations in the premixed ratio, start of injection timing and fuel equivalence ratio on the combustion dynamics are analyzed by examining the heat release rates. Three distinct heat release rate patterns are identified together with two transition zones. Heat release rate traces are grouped together as a function of fractions of early and late heat release rates. Based on a classification algorithm, the fractions of early and late heat release rate are identified as scheduling variables for the data-driven modeling of an RCCI engine. Linear regression is used to model the fractions of early and late heat release. These models are then used to train linear parameter varying (LPV) models using least-squares support vector machine (LS-SVM). Using the learned LPV model, a model predictive controller (MPC) scheme is then developed for a 2-liter 4-cylinder RCCI engine to control combustion phasing (CA50) and indicated mean effective pressure (IMEP) while limiting the maximum pressure rise rate (MPRR) to avoid engine knocking. The simulation results show that the designed controller is capable of limiting MPRR below 6 bar/CAD while tracking CA50 and IMEP with average errors of 1.2 CAD and 6.2 kPa, respectively.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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