Added value of thermodynamic white-box data for HCCI combustion prediction
Notice bibliographique
Résumé
Homogeneous charge compression ignition (HCCI) is a promising combustion process to reducing both greenhouse gas and pollutant emissions in the transportation sector. The combustion starts when the thermodynamic state of the cylinder charge reaches the auto-ignition properties of the fuel, which is challenging to model. In addition, the strong cyclic coupling due to required exhaust gas recirculation leads to a significant dependence on the combustion of the previous cycle. This work focuses on identifying accurate models to predict the combustion process for potential use in an MPC. In this work HCCI is achieved using negative valve overlap (NVO) on a fully flexible valve train. The fluctuating composition and temperature of the cylinder charge is not directly measurable and not taken into account in state of the art approaches. It is assumed that it has a decisive influence on the start of combustion. Hence, in this work, the thermodynamic state is modeled by a detailed physical white-box model, which is used as an additional input for the combustion prediction. To investigate the added value of the thermodynamic state data, an Artificial neural network (ANN) is trained to predict combustion both with and without the thermodynamic state data from the white-box model. The root-mean-square error of the ANN including thermodynamic data is reduced by 12.7%. Thus, by adding the thermodynamic white-box data, the HCCI combustion prediction can be significantly improved.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».