基于深度神经算子框架的柴油机气体流动动力学实时预测

我们开发了一个数据驱动的深度神经算子框架，以近似柴油机的多个输出状态，并生成具有合理精度的实时预测。随着排放法规日益严格，对能够快速且准确分析系统行为的模型之需求已成为系统开发的基本要求。燃烧发动机运行中所涉及的快速瞬态过程，使得为此类系统开发精确的基于物理的模型十分困难。作为基于物理模型的替代，我们开发了基于算子的回归模型（DeepONet），以发动机工况为输入变量，学习均值气体流动发动机模型的相关输出状态。我们采用均值模型作为对比基准，使用 Simulink 进行仿真。所开发的方法需要使用输出状态的初始条件来预测时间域上的准确序列。为此，所提框架中嵌入了序列到序列方法。通过将预测输出与 Simulink 模型生成的真值进行比较来评估模型精度。观测到的最大 $\mathcal L_2$ 相对误差约为 $6.5\%$。在模拟噪声条件下评估了 DeepONet 模型的灵敏度，该模型对噪声表现出较低的灵敏度。通过使用均值集成方法进一步评估了模型预测的不确定性。在 $(\mu + 2\sigma)$ 边界处的最坏情况误差为 $12\%$。所提框架提供了实时预测输出状态的能力，并实现了复杂输入输出算子映射的数据驱动学习。因此，该模型可应用于早期开发阶段，此时可能尚无精确模型可用。