Predicting transient performance of a heavy-duty gaseous-fuelled engine using combined phenomenological and machine learning models
Notice bibliographique
Résumé
Decarbonizing long-haul goods transportation poses a substantial challenge. High-efficiency natural gas (NG) engines, which retain the efficiency of a diesel engine but reduce the carbon content of the fuel, offer substantial potential for near-term greenhouse gas (GHG) reductions. A fast-running model that can predict engine performance, GHG and air pollutant emissions is critical to assessing this approach for different applications and vehicle drivetrain configurations. This paper presents the development, validation and application of an engine system model that adapts GT-SUITE™’s phenomenological DI-Pulse predictive model to predict the performance and emissions of a 6-cylinder NG engine using a high pressure direct-injection combustion process. The model includes the engine air exchange system, enabling the prediction of the engine and in-cylinder conditions and overall performance over transient drive cycles. The engine model with a fixed set of calibration parameters captures the complex high-pressure direct injection combustion process and generates time-resolved parameters that are fed into a coupled machine learning model to predict emissions, including nitrogen oxide (NOx) and methane (CH 4 ) emissions. While the 1-D model’s predictions for CH 4 were not accurate, coupling the 1-D engine model with a machine learning model has been shown to substantially improve the estimation of CH 4 emissions and allow accurate prediction of engine total GHG emissions over different duty cycles. The model has been validated using transient engine dynamometer data and is then applied to assess performance and emissions over several regulatory and real-world long-haul drive cycles. The model showed an average error of less than 5% in steady operation. Cumulative errors of NOx and CH 4 emissions in studied cycles were also less than 10%. The results showed that CH 4 share in total GHG emissions ranges from 0.2% to 1.4% over various drive cycles. By predicting engine performance and emissions, the developed combined model has considerable potential for use in engine evaluation studies, especially when combined with new technologies across different duty cycles.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».