首页/文章/ 详情

物理信息机器学习(PIML)在发动机性能预测上的应用

2小时前浏览2

背景

物理信息机器学习(Physics Informed Machine Learning (PIML))是一种新兴的方法,它结合了机器学习(ML)和传统基于物理的模型的优势来解决复杂问题。它将物理定律(例如由微分方程表达的定律)与数据驱动的机器学习技术相结合。在传统的机器学习中,模型主要基于数据进行训练。然而,PIML将底层物理过程的先验知识纳入学习过程,这提高了模型的准确性及泛化能力,特别是在数据有限的情况下。具体示意如下图所示:

   

对于纯物理模型

与现实世界的物理存在差异,如空气阻力的存在和纸张在飞行过程中的变形等。

纯的数据驱动模型

如果训练样本数量有限,大多数预测的轨迹在物理上是不可信的。


物理和数据驱动的混合模型

在物理先验的帮助下,可以准确地估计轨迹。



对于PIML用于发动机性能预测上有以下几个关键概念要理解:

混合模型

将一维物理模型和增强机器学习技术融合;

物理约束

将物理定律和约束纳入机器学习模型,确保预测结果符合物理原理;

泛化性

结合先验的物理学知识,PIML模型可以更好地泛化,特别是在训练数据有限的场景中



在发动机性能应用,可以用到以下几个方面:

数字孪生

结合了基于物理的模型和基于数据驱动的模型,用于监测和预测发动机部件的性能和健康状况;

流动参数预测

实时预测流体特性,用于监测发动机的运行和安全性;



对于发动机性能预测方面,主要的好处有:

提高准确度

通过结合物理定律,与纯数据驱动模型相比,PIML模型可以实现更高的准确度和可靠性;

提高效率

这些模型可以提供更快和更高效的预测,这对于实时应用程序是必不可少的。


操作方法

在GT-SUITE的软件里面,具体的实施的工作流程如下图所示。


在实际的操作过程,先确定特征的选择以及采用合适的预测算法。具体的操作流程分为五步:


第一步

确定合适的测试数据:覆盖了发动机运行的良好范围

第二步

确定基于物理的模型参数/特征:参数与特征的选择可以根据文献、物理现象的理解、统计学分析、删除冗余特征;

第三步

利用部分数据建立PIML模型,一般为数据总量的30-40%

第四步

用余下的数据验证模型,一般为数据总量的60%-70%

第五步

利用模型进行发动机性能的预测。

应用举例:以发动机的Nox的排放特性为例,与它相关的参数有:喷油提前角、空燃比、发动机转速等。

背景

发动机性能预测的结果对比。


结果1:对比气缸内的温度、排气温度和缸内爆发压力

采用稳态工况下测试的数据和采用GT模型计算的结果建立对应的PIML模型。其中,GT模型不需要经过标定。从下图中可以看出,PIML模型能好的满足趋势预测,并能够有效的提升模型的精度。


在稳态和瞬态条件下,基于GT的自带的Extended Zeldovich Model(EZM)的Nox排放模型与PIML模型的对比。从下图可以看出,PIML的模型精度好于GT软件自带的模型。


结果2

下图显示了不同发动机的发动机输出NOx的测试与模型预测的比较,其中PIML模型的准确性优于GT EZM模型。

总结

基于物理的机器学习(PIML)是一个令人兴奋的领域,它将传统的基于物理的模型与现代机器学习技术相结合,以改善各种应用的预测和性能,包括发动机性能。


GT-DOE Post (ML Assistant)为开发提供了一个非常有用的框架。其中,PIML为发动机关键性能参数的物理模型准确性可以显著提高。


通过改进预测,可以减少发动机校准开发所需的测试数据。


硬件选择和优化可以在仿真中以更高的置信度进行。


该方法已成功应用于两款发动机的性能参数预测,并得到了验证。


参考文件:Physics Informed Machine Learning (PIML) for Engine Performance Predictions,Presented at the 2024 GT Technical Conference,Cummins


来源:艾迪捷
UM数字孪生
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:2025-09-20
最近编辑:2小时前
艾迪捷
MBD CAE解决方案专家
获赞 3粉丝 2文章 551课程 0
点赞
收藏
作者推荐

通往更安全车辆之路 | 仿真流程自动化与多学科优化如何助力被动安全系统的开发

被动安全系统在碰撞事件中保护乘员及其他道路使用者,降低伤害程度。然而,设计此类系统是一项复杂的任务,需要综合考虑众多相互关联的变量。仿真是优化被动安全系统设计流程的关键,能够降低成本和缩短开发周期。但由于多学科特性及设计过程中需考虑的庞大变量数量,部分仿真仍面临挑战。这些变量包括不同的碰撞模式、碰撞测试假人尺寸与类型、多样化的车型变体等。不仅如此,主动安全措施也带来了额外挑战,因为被动安全系统还需在传统工况之外发挥作用。在本文中,ESTECO将阐述被动安全的多学科特性、设计此类系统时面临的问题,以及自动化和优化技术如何应对这些挑战。被动安全的多学科特性设计任何被动安全系统时,必须确保乘员以恰当的速率减速,通过能量耗散将伤害程度降至最低,同时满足行业严格的法规和消费者测试机构的要求。这一减速速率被称为ΔV(速度变化量)。最小化ΔV是核心目标,需通过被动安全系统及车身结构采取相应措施。然而,在分析车辆结构完整性和处理不同碰撞场景的变量时,挑战随之而来。这是因为车辆系统相互关联,导致仿真复杂度增加,难以实现仿真的首要目标——最小化ΔV。“碰撞时,车辆会发生连锁变形效应,必须模拟大量互相关联的系统和组件才能准确分析碰撞影响,”ESTECO业务发展经理Alexandre Mugnai表示,“为此,需要在输入与输出之间进行一系列复杂的权衡。”例如,可能需权衡材料刚度、车辆质量与最终性能,同时利用多种减速曲线模拟碰撞效果。模拟多种碰撞场景:1.全正面碰撞;2.偏置可变形壁障(ODB)碰撞;3.移动可变形壁障(MDB)碰撞;4.侧柱碰撞“另一项挑战在于,车辆部件在不同车型间共享,设计者无法自由调整所有参数以实现特定性能目标,”Mugnai补充道,“这种复杂性在跨多工程团队及利益相关方的碰撞仿真中尤为突出。”潜在输入变量的范围进一步加剧了复杂性,包括:不同载荷条件、碰撞条件、假人尺寸与类型(用于模拟人体受冲击时的行为)、碰撞类型(如壁障测试与行人碰撞测试)、车型变体、材料特性、乘员是否系安全带等。此外,不同地区对被动安全系统的法规要求各异,变量规模极为庞大。正因如此,需采用多学科方法,整合不同仿真工具与评估手段以优化设计流程,从而在安全性与其他车辆需求间找到最佳平衡。传统仿真工具中,工程师需在每个设计步骤手动权衡输入与输出。这种方法缺乏鲁棒性,工程团队难以全局把控设计空间,易导致错误。某些情况下,虽然碰撞条件可主导设计方向,但核心挑战在于以最低成本和有限开发周期满足安全要求(未必是最高标准)。解决这些挑战需要多学科方法,提供全局视角并实现工具间数据互通。通过自动化与优化设计多学科被动安全系统仿真是汽车行业的常用工具,帮助主机厂缩短开发周期并减少原型制作需求。modeFRONTIER作为多学科设计优化(MDO)软件,为工程设计流程提供自动化与优化支持。VOLTA协同网络解决方案则具备无缝访问与扩展性,适应产品开发流程中不断加入的设计团队。二者共同构成ESTECO技术的核心。在被动安全领域,ESTECO技术可优化并加速开发流程。工程师无需在每个设计步骤手动权衡输入输出,从而大幅节省时间并降低设计错误风险。关键技术特性包括:01模块化ESTECO技术提供基于配置文件的模块化访问,支持多目标与多学科优化。通过无缝集成第三方工程工具,实现设计仿真流程自动化,辅助分析决策。这一特性对多团队协作至关重要,可减少软件兼容性问题,确保各团队使用最佳工具。02自动化通过实验设计(DOE)与优化算法套件,工程师可快速识别关键设计方案,轻松权衡性能,全面评估车辆被动安全约束系统的表现。ESTECO智能DOE技术能以有限测试仿真系统探索设计空间,精准理解系统特性,从而更快找到更优方案。VOLTA的分布式执行功能可管理本地与远程计算资源,支持并行仿真流程。鉴于现代被动安全系统的多学科特性,通常需数百甚至数千次仿真才能确定理想设计,自动化能力显著缩短时间并降低IT投入。03全局视角modeFRONTIER与VOLTA将不同软件整合至自动化工作流,支持优化研究、DoE分析、鲁棒性评估与全面设计优化。工程师可平衡冲突目标并提升产品性能,针对不同工程问题选择合适技术。这对被动安全系统尤为重要,全局视角帮助团队评估每项设计决策对整车的影响。04协同保障ESTECO技术通过跨团队流程标准化和资源灵活分配促进协作。VOLTA平台为工程师提供在线协同设计空间,决策者可访问性能指标以快速比较优化策略效果。版本控制与无缝协作功能确保各团队能评估设计选择对被动安全系统及其他车辆系统的影响。自动化与优化的优势显而易见。ESTECO技术加速了整个开发流程,实现仿真间数据无缝传递与关键值提取。“自动化让工程师专注于部件决策,避免人工干预导致的错误,”Mugnai解释道,“工程师还能全面掌握部件在不同输入下的表现及其对成本的影响,从而减少错误并加快每次迭代的开发周期。”结论modeFRONTIER与VOLTA为工程师提供全面工具,在缩短开发周期的同时显著提升被动安全部件性能。输入输出的自动化优化管理解放了工程师的手动负担,加速设计周期并实现大规模协作——这对多学科特性的被动安全系统至关重要。modeFRONTIER作为综合性解决方案,支持工程团队覆盖开发全生命周期;VOLTA基于网络平台,促进团队间无缝协作与设计优化。ESTECO技术助力工程师轻松实现仿真流程自动化与优化,理解各类设计的潜力与局限,从而在多学科交叉的复杂环境中确定最优方案,为未来的被动安全系统铺平道路。ESTECO是一家专注于数值优化及仿真流程与数据管理的独立软件公司。凭借20年经验,ESTECO为福特、本田、洛克希德·马丁、丰田和惠而浦等300余家国际机构提供支持,加速决策流程并缩短开发时间。来源:艾迪捷

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