Systematic framework for deep learning-based predictive injection control with Bayesian hyperparameter optimization for a hydrogen/diesel dual-fuel engine
Notice bibliographique
Résumé
Climate change and global warming concerns promote interest in alternative fuels, especially zero-carbon fuels like hydrogen. Modifying existing combustion engines for dual-fuel operation can decrease emissions of vehicles that are already on the road. The procedure of a deep learning-based model predictive control as a machine learning implementation, practical for complex nonlinear systems with input and state constraints, has been developed and tested on a hydrogen/diesel dual-fuel (HDDF) engine application. A nonlinear model predictive controller (NMPC) utilizing a deep neural network (DNN) process model is proposed to control the injected hydrogen and diesel. This DNN model has eight inputs and four outputs and has a short computational time compared to the physics-based model. The architecture and hyperparameters of the DNN model of the HDDF process are optimized through a two-stage Bayesian optimization to achieve high accuracy while minimizing the complexity of the model described. The final DNN architecture has two hidden layers with 31 and 23 neurons. A modified engine capable of HDDF operation is compared to standard diesel operation to evaluate the engine performance and emissions. During experimental engine testing, the controller required an average computational time of 2 ms per cycle on a low-cost processor, satisfying the real-time requirements, and was faster than recurrent networks. The control performance of the DNN-NMPC for the HDDF engine showed a mean absolute error of 0.19 bar in load tracking while maximizing average hydrogen energy share (68%) and reducing emissions. Specifically, the particulate matter emissions decrease by 87% compared to diesel operation.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».