使用深度神经算子框架实时预测柴油发动机中的气体流动动力学
摘要：基于数据驱动的深层神经算子框架用于近似柴油发动机的多个输出状态并生成具有合理准确性的实时预测。随着排放标准变得更为严格，需要快速而准确的模型来分析系统行为已成为系统开发的基本要求。燃烧发动机操作中涉及的快速瞬态过程使得为此类系统开发准确的基于物理的模型变得困难。作为物理模型的替代方案，我们开发了一个基于算子的回归模型（DeepONet），使用发动机工作条件作为输入变量来学习相关的输出状态，对平均值气体流动发动机模型进行近似。我们采用了一个基准平均值模型进行比较，使用Simulink进行模拟。所开发的方法需要使用输出状态的初始条件来预测时域上的准确序列。为此，将序列到序列的方法嵌入到提出的框架中。通过将预测输出与Simulink模型生成的基本真值进行比较，评估了模型的准确性。观察到的最大L2相对误差约为6.5％。在模拟的噪声条件下评估了DeepONet模型的敏感性，模型对噪声的敏感性相对较低。还通过使用均值集合方法进一步评估了模型预测的不确定性。在（μ + 2σ）边界处找到的最差情况误差为12％。所提出的框架能够实时预测输出状态，并能够基于数据来学习复杂的输入-输出算子映射。因此，在准确模型可能不可用的初步开发阶段可应用该模型。
作者：Varun Kumar, Somdatta Goswami, Daniel J. Smith, George Em Karniadakis
论文ID：2304.00567
分类：Signal Processing
分类简称：eess.SP
提交时间：2023-07-07