Development of a semi-empirical physical model for transient NO <sub>x</sub> emissions prediction from a high-speed diesel engine
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
With emissions regulations becoming increasingly restrictive and the advent of real driving emissions limits, control of engine-out NO x emissions remains an important research topic for diesel engines. Progress in experimental engine development and computational modelling has led to the generation of a large amount of high-fidelity emissions and in-cylinder data, making it attractive to use data-driven emissions prediction and control models. While pure data-driven methods have shown robustness in NO x prediction during steady-state engine operation, deficiencies are found under transient operation and at engine conditions far outside the training range. Therefore, physics-based, mean value models that capture cyclic-level changes in in-cylinder thermo-chemical properties appear as an attractive option for transient NO x emissions modelling. Previous experimental studies have highlighted the existence of a very strong correlation between peak cylinder pressure and cyclic NO x emissions. In this study, a cyclic peak pressure-based semi-empirical NO x prediction model is developed. The model is calibrated using high-speed NO and NO 2 emissions measurements during transient engine operation and then tested under different transient operating conditions. The transient performance of the physical model is compared to that of a previously developed data-driven (artificial neural network) model, and is found to be superior, with a better dynamic response and low (<10%) errors. The results shown in this study are encouraging for the use of such models as virtual sensors for real-time emissions monitoring and as complimentary models for future physics-guided neural network 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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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