机构名称：
¥ 1.0
收集了净扭矩和NOx排放量等性能数据。使用基于 APRBS 和 Chirp 信号的输入信号，我们获得了大约 68.9 小时的训练数据和大约 8.3 小时的模型验证数据。此外，为了验证目的，我们还获取了日本目前用于乘用车认证测试的WLTC全球统一测试循环下的30分钟模拟驾驶数据。请注意，用于获取验证数据的 APRBS 和 Chirp 信号不包含在用于获取训练数据的输入信号中。 VDE模型中数据采样周期为0.01秒，数值实验获取的数据点数如表2所示。 2.2 AI引擎模型构建及性能评估 本研究在构建重现VDE特征的AI引擎模型时，采用了神经网络这种机器学习算法，也是一种模仿人类神经系统的数学模型。 AI发动机模型被设想用作第3章中描述的燃烧控制器的状态预测模型。在这里，我们构建了一个模型来预测燃烧控制器控制的三个目标：燃烧重心位置、燃烧周期和净扭矩。表3给出了AI引擎模型的输入和输出参数列表。对于输入参数，事先使用XGBoost（eXtreme Gradient Boosting）9）构建预测模型，并利用SHAP（SHapley Additive exPla-nations）10）进行重要性分析，选取对预测目标影响力较大的参数。此外，对于输入参数，进气压力和进气氧浓度是使用过去四秒的时间序列数据来测量的，同时考虑到瞬态运行期间的响应延迟。 在建立模型时，神经网络中超参数的设置对准确率有很大的影响。因此，在本研究中，我们使用树结构 Parzen 估计器 (TPE)11) 来优化隐藏层的数量和神经元的数量。在 TPE 中，我们设置了最小化评估函数的超参数。
利用人工智能进行发动机燃烧系统建模和燃烧控制
主要关键词
相关文件推荐
![利用人工智能（AI）技术与电磁学进行优化设计 [I]](/simg/e/e2b202296b0567a88b2efb733a168494aa2a8937.png)
