Tailpipe NOx Emissions Modeling of a Heavy-Duty Diesel Truck Using Deep Learning Methods
Notice bibliographique
Résumé
<div>This study develops deep learning (DL) long–short-term memory (LSTM) models to predict tailpipe nitrogen oxides (NOx) emissions using real-driving on-road data from a heavy-duty Class 8 truck. The dataset comprises over 4 million data points collected across 11,000 km of driving under diverse road, weather, and load conditions. The effects of dataset size, model complexity, and input feature set on model performance are investigated, with the largest training dataset containing around 3.5 million data points and the most complex model consisting of over 0.5 million parameters. Results show that a large and diverse training dataset is essential for achieving accurate prediction of both instantaneous and cumulative NOx emissions. Increasing model complexity only enhances model performance to a certain extent, depending on the size of the training dataset. The best-performing model developed in this study achieves an R<sup>2</sup> higher than 0.9 for instantaneous NOx emissions and less than a 2% error for cumulative NOx emissions on the test data. Furthermore, the model achieves an F1 score above 0.9 in determining whether NOx emissions comply with emission standards. The developed DL tailpipe emission models in this study have diverse applications based on the amount and type of available input data, including engine and aftertreatment system control, diagnostics, and vehicle system-level simulations. These applications collectively contribute to minimizing NOx emissions of vehicles to meet stringent transportation emission standards.</div>
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».