Physics-Informed Neural Networks for In-Cylinder Pressure Prediction in Hydrogen/Diesel Dual-Fuel Engines
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
A heavy-duty diesel engine converted to a hydrogen/diesel dual-fuel (HDDF) engine can reduce fossil fuel usage and harmful emissions. To maximize the hydrogen energy share compared to diesel, it is important to monitor and control the combustion process to maintain engine durability. Predicting the combustion process in these retrofitted engines at different operating points using simple combustion models such as the Wiebe function often leads to significant mismatches. These simple models are insufficient for real-time diagnostics, which is essential at high hydrogen replacement ratios. One promising way to improve the accuracy of combustion models is using machine learning (ML) methods, which can potentially enhance the computational speed and predictive accuracy. Combining physics knowledge with ML methods like deep neural networks (DNN) or Kolmogorov-Arnold networks (KAN) is a useful hybrid method called a physics-informed neural network (PINN). This study compares the ML methods and PINN networks for predicting the in-cylinder pressure of the HDDF engine. The most accurate model tested is an integrated KAN and DNN model that incorporates the underlying physics of the system to predict in-cylinder pressure for unseen data. All the models tested utilize crank-angle data and injection timings as the inputs. The results showed that while the ML models have a high prediction error on the unseen data, adding a physics loss function, which penalizes deviations from physical laws, increases the generalization capability, making them a good choice for diagnostic models. The root mean square error for the novel PINN-KAN-DNN network on unseen cylinder pressure data is 15.1 bar, which represents a decrease of 14.8%, 50.3%, and 16.3% compared to DNN, KAN, and KAN-DNN, respectively.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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