Modeling of diesel particulate filter temperature dynamics during exotherm using neural networks
Notice bibliographique
Résumé
Diesel Particulate Filter (DPF) in the diesel engine exhaust stream needs frequent regeneration (exotherm) to remove captured particulate matter (PM, or soot) without damaging to the porous DPF structure by controlling the peak temperatures and temperature gradients across the DPF. In this study, temperature distribution in a DPF is measured at 42 strategic locations in the test DPF under various regeneration conditions of exhaust flow rates, regeneration temperatures and soot loads. Then a data-based model with feed-forward neural network architecture is designed to model the thermal gradients and temperature dynamics of the DPF during the regeneration process. The neural network feature vector selection, network architecture, hyperparameter calibration process, measured data preprocessing, and experimental data acquisition procedure are evaluated. Over 7,400 experimental data points at various regeneration temperatures, flow rates and soot loads are used in training and validating the neural network model. It is found that the neural network model can accurately predict the 42 DPF bed temperatures simultaneously at different locations, and the time series analysis of both model-predicted and experimentally measured temperatures shows a good correlation. This indicates that the currently developed neural network model can provide spatial distribution of temperature in the DPF, and comprehend the nonlinearity of the temperature dynamics due to DPF soot load at exothermic conditions. These results demonstrate that the data-based model has capability in predicting thermal gradients within a DPF, aiding in determining a safer DPF regeneration strategy, onboard diagnostics and DPF development.
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 | 0,000 |
| 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 | 0,000 |
| 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 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 ».