FR3122767A1 - Procédé de construction d’un modèle de simulation d’une réaction chimique - Google Patents

Procédé de construction d’un modèle de simulation d’une réaction chimique Download PDF

Info

Publication number
FR3122767A1
FR3122767A1 FR2104735A FR2104735A FR3122767A1 FR 3122767 A1 FR3122767 A1 FR 3122767A1 FR 2104735 A FR2104735 A FR 2104735A FR 2104735 A FR2104735 A FR 2104735A FR 3122767 A1 FR3122767 A1 FR 3122767A1
Authority
FR
France
Prior art keywords
chemical reaction
simulation
chemical
input
learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2104735A
Other languages
English (en)
Inventor
Cedric MEHL
Thibault FANEY
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Priority to FR2104735A priority Critical patent/FR3122767A1/fr
Priority to JP2023566838A priority patent/JP2024517767A/ja
Priority to EP22724743.4A priority patent/EP4334949A1/fr
Priority to PCT/EP2022/060739 priority patent/WO2022233602A1/fr
Priority to CA3213684A priority patent/CA3213684A1/fr
Publication of FR3122767A1 publication Critical patent/FR3122767A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

La présente invention concerne un procédé de construction d’un modèle de simulation (MSI) d’au moins une réaction chimique, qui construit un modèle intermédiaire au moyen d’un réseau de neurones artificiels (RNA) et d’une base d’apprentissage (BAP), puis qui construit le modèle de simulation par ajout d’une couche additionnelle (RNC) de conservation de la masse au réseau de neurones artificiels (RNA). En outre, l’invention concerne un procédé de simulation (SIM) d’une réaction chimique, mettant en œuvre le modèle de simulation (MSI) construit. Figure 1 à publier

Description

Procédé de construction d’un modèle de simulation d’une réaction chimique
La présente invention concerne le domaine de la simulation de la cinétique chimique, dans le but de prédire un mélange d’espèces chimiques en sortie d’un système réactif.
La prédiction du comportement de systèmes réactifs chimiques est importante pour le design de nombreux systèmes industriels, tel que les procédés ou les systèmes de conversion énergétique dans les transports à propulsion chimique, ainsi que dans les problématiques de transports de ces composés chimiques. Dans ces systèmes, un fluide contenant un mélange d’espèces chimiques subit diverses transformations, appelées réactions chimiques. Par exemple, il peut s’agir de la prédiction de la composition des espèces chimiques au sein d’une combustion, notamment dans un moteur à combustion, des réactions chimiques au sein d’une batterie électrique, au sein d’une pile à combustible, au sein d’un écoulement réactif, au sein d’un procédé de catalyse, etc.
Cette modélisation consiste à prédire l’évolution des réactifs chimiques (espèces chimiques) dans un système réactif entre une entrée et une sortie. Dans cette demande de brevet, la notion d’entrée et de sortie peut correspondre à l’une des définitions suivantes : l’entrée et la sortie peuvent correspondre à une entrée et à une sortie physique d’un système (avant et après une réaction chimique), ainsi qu’à l’évolution du système entre deux pas de temps au cours d’une simulation numérique (avant ou après un pas de temps d’une réaction chimique).
Pour simuler les réactions chimiques, des approches dites « data-based » (basés sur des données) peuvent être utilisées. De telles approches permettent de prédire le comportement de la réaction chimique dans le système réactif à partir de données issues de simulations ou d’expériences préalables, et au moyen d’algorithmes d’apprentissage automatique (de l’anglais « machine learning »). Généralement, ces approches non directement liées à la physique, ne permettent pas de prendre en compte tous les phénomènes physiques mis en œuvre dans les réactions chimiques, en particulier la conservation de la masse de chaque atome présent dans le mélange d’espèces chimiques. Par conséquent, de telles approches restent imprécises.
Pour prendre en compte la conservation de la masse, certaines approches ont prévu une étape supplémentaire dans laquelle on vérifie la conservation de la masse. Toutefois, cette étape supplémentaire est réalisée en dehors du modèle, ce qui limite l’optimisation de la prédiction.
La demande de brevet WO2020176914 décrit une prédiction de concentrations de gaz à partir de réseaux de neurones. La méthode est appliquée au post-traitement de gaz d’échappement moteur. Le calcul direct de la cinétique chimique est cher, d’où l’utilisation de réseaux de neurones. Néanmoins, pour cette méthode la conservation de la masse n’est pas prise en compte par les réseaux de neurones, ce qui ne permet pas une prédiction précise des concentrations des gaz d’échappement.
La demande de brevet CN109918702 envisage la prédiction d’états chimiques par réseaux de neurones, avec prise en compte de la conservation de la masse des atomes au moyen d’une contrainte. Toutefois, cette contrainte n’est pas incluse dans le réseau de neurones.
Le document : « Hendricks et al, LINEARLY CONSTRAINED NEURAL NETWORKS , arXiv :2002.01600, 2020 » concerne le domaine de la mécanique des fluides. Dans ce document, il est proposé un réseau de neurones artificiels pour garantir une divergence nulle d’un champ de vitesse dans le cas d’un fluide incompressible. Ce document ne permet pas la prise en compte de la conservation de la masse pour une réaction chimique.
Le document « Mohan et al., EMBEDDING HARD PHYSICAL CONSTRAINTS IN NEURAL NETWORK COARSE-GRAINING OF 3D TURBULENCE, arXiv:2002.00021, 2020) » concerne également le domaine de la mécanique des fluides. Dans ce document, il est également proposé un réseau de neurones artificiels pour garantir une divergence nulle d’un champ de vitesse dans le cas d’un fluide incompressible. Ce document ne permet pas la prise en compte de la conservation de la masse pour une réaction chimique.
L’invention a pour but de construire un modèle de simulation d’au moins une réaction chimique permettant de prédire de manière précise et fiable les compositions chimiques lors de l’au moins une réaction chimique. Pour cela, la présente invention concerne un procédé de construction d’un modèle de simulation d’au moins une réaction chimique, qui construit un modèle intermédiaire au moyen d’un réseau de neurones artificiels et d’une base d’apprentissage, puis qui construit le modèle de simulation par ajout d’une couche additionnelle de conservation de la masse au réseau de neurones artificiels.
En outre, l’invention concerne un procédé de simulation d’une réaction chimique, mettant en œuvre le modèle de simulation construit.
L’invention concerne un procédé de construction d’un modèle de simulation d’au moins une réaction chimique entre plusieurs espèces chimiques au sein d’un système réactif, au moyen d’une base d’apprentissage, ladite base d’apprentissage comprenant des données d’entrée d’apprentissage et des données de sortie d’apprentissage de ladite réaction chimique, lesdites données d’entrées d’apprentissage et de sortie d’apprentissage étant représentatives des fractions massiques desdites espèces chimiques respectivement en entrée et en sortie de ladite réaction chimique. Pour ce procédé, on met en œuvre les étapes suivantes :
  1. On construit un modèle intermédiaire dudit modèle de simulation au moyen d’un réseau de neurones artificiels, qui comporte une couche d’entrée, au moins une couche cachée et une couche de sortie, la construction dudit modèle intermédiaire étant mise en œuvre au moyen de ladite base d’apprentissage ; et
  2. On construit ledit modèle de simulation au moyen dudit modèle intermédiaire et d’une couche additionnelle mise en œuvre après ladite couche de sortie dudit réseau de neurones, ladite couche additionnelle étant formée par un opérateur linéaire qui applique une correction linéaire aux données de sortie de ladite couche de sortie dudit réseau de neurones artificiels pour assurer la conservation de la masse des éléments chimiques formant lesdites espèces chimiques mises en œuvre dans ladite réaction chimique.
Selon un mode de réalisation, on construit ladite couche additionnelle au moyen d’une étape de calcul de correction linéaire et une étape d’application de ladite correction linéaire calculée.
Avantageusement, on calcule la correction linéaire pour un nombre d’espèces chimiques de ladite réaction chimique correspondant au nombre d’éléments chimiques de ladite réaction chimique.
Conformément à une mise en œuvre, on optimise des poids synaptiques du réseau de neurones artificiels après l’ajout de la couche additionnelle au moyen des données d’entrée et de sortie de la base d’apprentissage.
Selon un aspect, lesdites données d’entrée et de sortie sont déterminées respectivement avant et après ladite réaction chimique, ou respectivement avant et après un pas de temps de ladite réaction chimique.
Selon une option de réalisation, lesdites données d’entrée sont des fractions massiques desdites espèces chimiques.
Selon une caractéristique, lesdites données de sortie sont des fractions massiques desdites espèces chimiques ou des variations des fractions massiques desdites espèces chimiques.
En outre, l’invention concerne un procédé de simulation d’au moins une réaction chimique entre plusieurs espèces chimiques au sein d’un système réactif. Pour ce procédé, on met en œuvre les étapes suivantes :
  1. On construit un modèle de simulation au moyen du procédé de construction d’un modèle de simulation selon l’une des caractéristiques précédentes ; et
  2. On applique ledit modèle de simulation à des données d’entrée de simulation, lesdites données d’entrée de simulation étant représentatives desdites fractions massiques desdites espèces chimiques en entrée de ladite réaction chimique.
Conformément à un mode de réalisation, ledit modèle de simulation est construit pour un pas de temps, et on réitère l’étape d’application dudit modèle de simulation pour une pluralité de pas de temps successifs, et à chaque réitération, lesdites données d’entrée de simulation sont les données de sortie du pas de temps précédent.
Selon une mise en œuvre, ladite réaction chimique est une réaction chimique au sein d’un système de conversion énergétique, par exemple une combustion au sein d’un moteur ou une réaction chimique au sein d’une batterie électrique, ou une réaction chimique au sein d’une pile à combustible, ou une réaction chimique au sein d’un système de transport desdites espèces chimiques.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
Liste des figures
La illustre les étapes du procédé de construction d’un modèle de simulation d’une réaction chimique selon un premier mode de réalisation de l’invention.
La illustre les étapes du procédé de construction d’un modèle de simulation d’une réaction chimique selon un deuxième mode de réalisation de l’invention.
La illustre les étapes du procédé de simulation d’une réaction chimique selon un premier mode de réalisation de l’invention.
La illustre les étapes du procédé de simulation d’une réaction chimique selon un deuxième mode de réalisation de l’invention.
La illustre les étapes du procédé de simulation d’une réaction chimique selon une troisième mode de réalisation de l’invention.
La illustre un modèle de simulation d’une réaction chimique selon un mode de réalisation de l’invention.
La illustre un modèle de simulation d’une réaction chimique selon un mode de réalisation de l’invention.
La illustre les courbes des fractions massiques de quatre éléments chimiques en fonction du temps pour une simulation au moyen d’un procédé selon l’art antérieur.
La illustre les courbes des fractions massiques de quatre éléments chimiques en fonction du temps pour une simulation au moyen d’un procédé selon un mode de réalisation de l’invention.

Claims (9)

  1. Procédé de simulation d’au moins une réaction chimique entre plusieurs espèces chimiques au sein d’un système réactif , au moyen d’une base d’apprentissage (BAP), ladite base d’apprentissage (BAP) comprenant des données d’entrée d’apprentissage et des données de sortie d’apprentissage de ladite réaction chimique, lesdites données d’entrées d’apprentissage et de sortie d’apprentissage étant représentatives des fractions massiques desdites espèces chimiques respectivement en entrée et en sortie de ladite réaction chimique, caractérisé en ce qu’on met en œuvre les étapes suivantes par des moyens informatiques :
    1. On construit un modèle de simulation (MSI) de ladite au moins une réaction chimique entre plusieurs espèces chimiques au sein d’un système réactif au moyen des étapes suivantes :
      1. On construit un modèle intermédiaire dudit modèle de simulation au moyen d’un réseau de neurones artificiels (RNA), qui comporte une couche d’entrée (CE), au moins une couche cachée (CC) et une couche de sortie (CS), la construction dudit modèle intermédiaire étant mise en œuvre au moyen de ladite base d’apprentissage (BAP) ; et
      2. On construit ledit modèle de simulation (MSI) au moyen dudit modèle intermédiaire et d’une couche additionnelle (RNC) mise en œuvre après ladite couche de sortie dudit réseau de neurones, ladite couche additionnelle (RNC) étant formée par un opérateur linéaire qui applique une correction linéaire aux données de sortie de ladite couche de sortie (CS) dudit réseau de neurones artificiels (RNC) pour assurer la conservation de la masse des éléments chimiques formant lesdites espèces chimiques mises en œuvre dans ladite réaction chimique ;
    2. On applique ledit modèle de simulation (SIM) à des données d’entrée de simulation (DES), lesdites données d’entrée de simulation étant représentatives desdites fractions massiques desdites espèces chimiques en entrée de ladite réaction chimique.
  2. Procédé de simulation selon la revendication 1, dans lequel on construit ladite couche additionnelle (RNC) au moyen d’une étape de calcul de correction linéaire et une étape d’application de ladite correction linéaire calculée.
  3. Procédé de simulation selon la revendication 2, dans lequel on calcule la correction linéaire pour un nombre d’espèces chimiques de ladite réaction chimique correspondant au nombre d’éléments chimiques de ladite réaction chimique.
  4. Procédé de simulation selon l’une des revendications précédentes, dans lequel on optimise (OPT) des poids synaptiques du réseau de neurones artificiels après l’ajout de la couche additionnelle au moyen des données d’entrée et de sortie de la base d’apprentissage.
  5. Procédé de simulation selon l’une des revendications précédentes, dans lequel lesdites données d’entrée et de sortie sont déterminées respectivement avant et après ladite réaction chimique, ou respectivement avant et après un pas de temps de ladite réaction chimique.
  6. Procédé de simulation selon l’une des revendications précédentes, dans lequel lesdites données d’entrée sont des fractions massiques desdites espèces chimiques.
  7. Procédé de simulation selon l’une des revendications précédentes, dans lequel lesdites données de sortie sont des fractions massiques desdites espèces chimiques ou des variations des fractions massiques desdites espèces chimiques.
  8. Procédé de simulation selon l’une des revendications précédentes, dans lequel ledit modèle de simulation (MSI) est construit pour un pas de temps, et dans lequel on réitère l’étape d’application dudit modèle de simulation (MSI) pour une pluralité de pas de temps successifs, et à chaque réitération, lesdites données d’entrée de simulation (DES) sont les données de sortie de simulation (DSS) du pas de temps précédent.
  9. Procédé de simulation selon l’une des revendications précédentes, dans lequel ladite réaction chimique est une réaction chimique au sein d’un système de conversion énergétique, par exemple une combustion au sein d’un moteur ou une réaction chimique au sein d’une batterie électrique, ou une réaction chimique au sein d’une pile à combustible, ou une réaction chimique au sein d’un système de transport desdites espèces chimiques.
FR2104735A 2021-05-05 2021-05-05 Procédé de construction d’un modèle de simulation d’une réaction chimique Pending FR3122767A1 (fr)

Priority Applications (5)

Application Number Priority Date Filing Date Title
FR2104735A FR3122767A1 (fr) 2021-05-05 2021-05-05 Procédé de construction d’un modèle de simulation d’une réaction chimique
JP2023566838A JP2024517767A (ja) 2021-05-05 2022-04-22 化学反応のシミュレーションモデルを構築する方法
EP22724743.4A EP4334949A1 (fr) 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique
PCT/EP2022/060739 WO2022233602A1 (fr) 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique
CA3213684A CA3213684A1 (fr) 2021-05-05 2022-04-22 Procede de construction d'un modele de simulation d'une reaction chimique

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2104735A FR3122767A1 (fr) 2021-05-05 2021-05-05 Procédé de construction d’un modèle de simulation d’une réaction chimique
FR2104735 2021-05-05

Publications (1)

Publication Number Publication Date
FR3122767A1 true FR3122767A1 (fr) 2022-11-11

Family

ID=77411771

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2104735A Pending FR3122767A1 (fr) 2021-05-05 2021-05-05 Procédé de construction d’un modèle de simulation d’une réaction chimique

Country Status (5)

Country Link
EP (1) EP4334949A1 (fr)
JP (1) JP2024517767A (fr)
CA (1) CA3213684A1 (fr)
FR (1) FR3122767A1 (fr)
WO (1) WO2022233602A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116052789B (zh) * 2023-03-29 2023-09-15 河北大景大搪化工设备有限公司 一种基于深度学习的甲苯氯化参数自动优化系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918702A (zh) 2019-01-03 2019-06-21 上海交通大学 一种高炉配料与操作的协同多目标优化方法
WO2020176914A1 (fr) 2019-03-01 2020-09-10 Avl List Gmbh Procédé et système de commande et/ou de régulation d'au moins un composant de post-traitement de gaz d'echappement

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109918702A (zh) 2019-01-03 2019-06-21 上海交通大学 一种高炉配料与操作的协同多目标优化方法
WO2020176914A1 (fr) 2019-03-01 2020-09-10 Avl List Gmbh Procédé et système de commande et/ou de régulation d'au moins un composant de post-traitement de gaz d'echappement

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
AN JIAN ET AL: "Artificial neural network based chemical mechanisms for computationally efficient modeling of hydrogen/carbon monoxide/kerosene combustion", INTERNATIONAL JOURNAL OF HYDROGEN ENERGY, ELSEVIER, AMSTERDAM, NL, vol. 45, no. 53, 1 September 2020 (2020-09-01), pages 29594 - 29605, XP086301122, ISSN: 0360-3199, [retrieved on 20200901], DOI: 10.1016/J.IJHYDENE.2020.08.081 *
BEUCLER TOM ET AL: "Enforcing Analytic Constraints in Neural Networks Emulating Physical Systems", PHYSICAL REVIEW LETTERS, vol. 126, no. 9, 4 March 2021 (2021-03-04), US, XP055864303, ISSN: 0031-9007, DOI: 10.1103/PhysRevLett.126.098302 *
DALAKOTI DEEPAK K ET AL: "An a priori evaluation of a principal component and artificial neural network based combustion model in diesel engine conditions", PROCEEDINGS OF THE COMBUSTION INSTITUTE, ELSEVIER, NL, vol. 38, no. 2, 29 August 2020 (2020-08-29), pages 2701 - 2709, XP086533234, ISSN: 1540-7489, [retrieved on 20200829], DOI: 10.1016/J.PROCI.2020.06.263 *
HENDRICKS ET AL.: "LINEARLY CONSTRAINED NEURAL NETWORKS", ARXIV :2002.01600, 2020
MAGIERA JIM ET AL: "Constraint-aware neural networks for Riemann problems", JOURNAL OF COMPUTATIONAL PHYSICS, LONDON, GB, vol. 409, 21 February 2020 (2020-02-21), XP086122636, ISSN: 0021-9991, [retrieved on 20200221], DOI: 10.1016/J.JCP.2020.109345 *
SHIVAM BARWEY ET AL: "A Neural Network Inspired Formulation of Chemical Kinetics", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 1 August 2020 (2020-08-01), XP081744177 *
ZANDER HANS-JÖRG ET AL: "Dynamic Modeling of Chemical Reaction Systems with Neural Networks and Hybrid Models", CHEMICAL ENGINEERING & TECHNOLOGY, vol. 22, no. 7, 8 July 1999 (1999-07-08), pages 571 - 574, XP055865390, ISSN: 0930-7516, DOI: 10.1002/(SICI)1521-4125(199907)22:7<571::AID-CEAT571>3.0.CO;2-5 *

Also Published As

Publication number Publication date
WO2022233602A1 (fr) 2022-11-10
EP4334949A1 (fr) 2024-03-13
CA3213684A1 (fr) 2022-11-10
JP2024517767A (ja) 2024-04-23

Similar Documents

Publication Publication Date Title
Shin et al. Deep neural network model with Bayesian hyperparameter optimization for prediction of NOx at transient conditions in a diesel engine
Mozaffari et al. Optimally pruned extreme learning machine with ensemble of regularization techniques and negative correlation penalty applied to automotive engine coldstart hydrocarbon emission identification
US8612107B2 (en) Method, control apparatus and powertrain system controller for real-time, self-learning control based on individual operating style
Awad et al. Utilizing Kaizen process and DFSS methodology for new product development
CN110825980B (zh) 一种基于对抗生成网络的微博话题推送方法
FR3122767A1 (fr) Procédé de construction d’un modèle de simulation d’une réaction chimique
Fujita et al. Multi-objective optimal design of automotive engine using genetic algorithm
CN111125964B (zh) 一种基于克里金插值法的污水处理过程代理模型构建方法
Roy et al. Multi-objective optimization of the performance-emission trade-off characteristics of a CRDI coupled CNG diesel dual-fuel operation: A GEP meta-model assisted MOGA endeavour
CN112200375A (zh) 预测模型生成方法、预测模型生成装置和计算机可读介质
Zhu et al. Engine calibration using global optimization methods with customization
US20090204376A1 (en) Method for measuring a nonlinear dynamic real system
CN112489734A (zh) 一种内燃机替代燃料二甲醚燃烧反应机理模型的简化方法
CN115270932A (zh) 整车排放参数优化方法、系统、电子设备和存储介质
Malak Jr et al. Modeling design concepts under risk and uncertainty using parameterized efficient sets
Zhou et al. Multi-disciplinary tolerance optimization for internal combustion engines using Gaussian process and sequential MDO method
Siddesh et al. Prediction of Optimized Design Under Dynamic Loads Using Kriging Metamodel
CN113705890A (zh) 一种基于近似模型的柴油机排放污染物控制方法
Smallbone et al. High-Dimensional Sensitivity Analysis Applied at Vehicle Component and System Level in the Context of CO 2 Exhaust Emissions
Brahmi et al. Statistical modeling and optimization for diesel engine calibration
Pei et al. Computational fluid dynamics–guided engine combustion system design optimization using design of experiments
Yin Application of Multidisciplinary Design Optimisation to Engine Calibration Optimisation.
Mansfield et al. Genetic Optimization for Engine Combustion System Calibration: A Case Study of Optimization Performance Sensitivity to Algorithm Search Parameters
Dabarera et al. Online model based engine calibration using Gaussian process regression
Chandila et al. An efficient strategy for global optimization using local Kriging approximations

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20221111

PLFP Fee payment

Year of fee payment: 3