首页/文章/ 详情

【研究前沿】机器学习ML结合CFD用于数字流量控制单元中的瞬态流量预测

1月前浏览454

这篇文章是2024年发表在《Flow Measurement and Instrumentation》。     

研究了基于机器学习的CFD(ML_CFD)和混合分析模型在温度补偿的数字流量单元中预测瞬态流量的性能。利用了二进制编码的并联开关阀,这些阀门能够在较少的阀门数量下实现高流量,同时解决流量峰值的挑战。通过考虑温度并改进建模技术,本研究纠正了先前研究中观察到的某些限制,例如忽略温度、阀门孔口流量系数不准确以及缺少流量模式可视化,从而提高了流量预测的准确性。对于基于ML_CFD的模型的结果表明,尽管在数据驱动系统中存在外推挑战,但所提出的方法在不同指标下显示出小于5%的误差,这归因于约束良好的过度参数化模型的有效性和数字流量控制单元的分段结构。


1. 研究方法


   

   

- 液压热分析调查:分析了液压系统的运行范围,以及温度对流体密度和粘度的影响。

- 最新技术:探讨了包括机器学习技术在内的最新流量映射技术,这些技术将温度因素整合到流量预测中。

- 文献回顾:回顾了数字流量控制单元的相关文献,特别是关于温度管理与传统流量容量的研究。


2. 研究模型


   

   

-  机器学习的CFD模型 :提出了一个基于机器学习CFD模型,该模型在多样化的评估指标下显示出小于5%的误差。

- 混合分析模型:提出了一个简化的混合分析模型,该模型虽然在实施上更为简便,但在处理超出预调放水系数的数据时会遇到限制。


3. 研究结果


   

   

- 机器学习CFD模型:即便在数据驱动系统不常见的外推挑战中,所提出的方法在多种评估指标下显示出小于5%的误差。

- 混合分析模型:虽然简化,但在处理超出预调放水系数的数据时受限。


4. 研究结论


     

     

- 结合CFD、分析建模技术和机器学习,开发出更健壮、更准确的DFCU流量预测解决方案。

- 研究显示,机器学习模型能够基于温度、压力和阀门位置准确预测流量,且误差在可接受范围内。

- 尽管机器学习模型在映射DFCU流量动态方面显示出更高的能力,但考虑到CFD和机器学习的复杂性,研究也认识到提出的简单混合分析模型的优势,如减少计算时间、易于集成和最小化差异。


  




来源:CFD饭圈
UM控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-09-08
最近编辑:1月前
CFD饭圈
硕士 分享CFD文章,感谢关注
获赞 22粉丝 22文章 377课程 0
点赞
收藏
作者推荐

【研究前沿】使用耦合CFD-热调节方法的电动卡车自适应驾驶舱空气循环策略

这篇文章是2024年发表在《International Journal of Heat and Mass Transfer》。 随着电动汽车行业的快速发展,如何提高能源效率和乘坐舒适性成为了研究的重点。这篇文章通过耦合计算流体动力学(CFD)与热调节模型,研究了一种适应性驾驶舱空气循环策略,旨在减少电动卡车在低温环境下的能源消耗,同时保证驾驶舱内的热舒适性和空气质量。 研究表明通过精确控制驾驶舱内的空气循环,可以在不牺牲乘坐舒适性的情况下显著降低电动卡车的能源消耗。这一发现对于提高电动车辆在低温环境下的性能和接受度具有重要意义。1. 研究背景 电动车辆(EVs)的驾驶舱气候调节系统是其最大的辅助负载之一,直接影响到车辆的行驶范围。在欧洲联盟,重型车辆贡献了约25%的公路运输温室气体排放。电池电动汽车(BEVs)被视为减少公路车辆碳足迹的潜在低/零排放车辆。然而,低温环境对电动车辆的能源效率和行驶范围有显著影响,因此,优化驾驶舱气候调节系统(HVAC)至关重要。2. 研究方法 文章究采用了耦合CFD与JOS-3热调节模型的方法,模拟了电动卡车驾驶舱内的空气流动、温度分布、湿度和CO2浓度。JOS-3模型用于估算皮肤温度和皮肤水分蒸发,而Berkeley舒适模型用于评估舒适指标。研究考虑了不同的车速、环境温度和相对湿度水平,共模拟了10种场景,并评估了有无提出的再循环策略。3. 研究结果 研究结果显示,提出的适应性再循环策略能够在保持热舒适性的前提下,根据驾驶舱内的湿度和CO2浓度动态调整新鲜空气流量,从而实现能源节约。在所模拟的条件下,能源节省范围从9%到34%不等。来源:CFD饭圈

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈