用于预测柴油机气体流动动力学与未知参数的物理信息神经网络
机器学习
2023-08-29 v2
摘要
本文提出一种物理信息神经网络（PINN）方法用于监测柴油机的健康状态。目的是评估发动机动力学、识别“均值”模型中的未知参数并预判维护需求。该 PINN 模型应用于带可变几何涡轮增压器和废气再循环系统的柴油机，使用所选状态变量的测量数据。结果表明，PINN 模型能够同时使用干净和含噪数据准确预测未知参数与动力学，且损失函数中自适应权重对更快收敛的重要性。这些仿真的输入数据来自实际发动机运行工况，而输出为仿真数据，这构成了 PINN 预测现实世界动力系统能力的实用案例研究。柴油机的均值模型包含经验公式以表示某些状态，但这些公式可能无法推广到其他发动机。为此，本研究除 PINN 模型外还考虑使用深度神经网络（DNNs）。DNNs 使用实验室测试数据训练，用于对均值模型中的发动机特定经验公式建模，从而实现更灵活和自适应的发动机状态表示。换言之，均值模型同时使用 PINN 模型和 DNNs 来表示发动机状态，PINN 提供基于物理的发动机整体动力学理解，DNNs 提供更具发动机特定性和自适应的经验公式表示。通过结合这两种方法，本研究旨在为监测柴油机健康与性能提供全面且通用的途径。
引用
@article{arxiv.2304.13799,
title = {Physics-informed neural networks for predicting gas flow dynamics and unknown parameters in diesel engines},
author = {Kamaljyoti Nath and Xuhui Meng and Daniel J Smith and George Em Karniadakis},
journal= {arXiv preprint arXiv:2304.13799},
year = {2023}
}