相变材料(PCM)冷却的电池包寿命和能耗分析

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