Setembro 2025 vol. 12 num. 1 - XXXII Simpósio Internacional de Engenharia

Trabalho completo - Open Access.

Idioma principal | Segundo idioma

Estudo de caso de modelagem caixa-preta de sistemas não-lineares para projeto de controle em ambiente de rápido desenvolvimento

A Case Study on Black-Box Modeling of Non-Linear Systems for Rapid Development in ICE Control

BEPU, ARIEL MAKOTO ; CHAVES, Mario Henrique ; DUQUE, Oscar Javier ;

Trabalho completo:

Este trabalho apresenta um estudo de caso sobre a modelagem de sistemas não lineares em caixa-preta, comparando abordagens com e sem o uso de técnicas de inteligência artificial (IA), com foco específico no controle de motores de combustão interna. Sistemas não lineares exibem comportamentos complexos que impõem desafios significativos à engenharia de controle. Métodos tradicionais de modelagem frequentemente enfrentam dificuldades para prever com precisão as respostas dinâmicas e, geralmente, exigem um entendimento aprofundado da dinâmica que rege o sistema. Este estudo explora diversas técnicas de modelagem não linear, avaliando sua eficácia na simulação da dinâmica dos motores a combustão interna para aprimorar estratégias de controle. Os resultados indicam que a modelagem não linear é particularmente útil para determinados subsistemas do motor, especialmente em ambientes de desenvolvimento rápido, onde o conhecimento das equações governantes do sistema é limitado. Como esperado, essa abordagem melhora a precisão das estimativas durante o processo iterativo de calibração do motor.

Trabalho completo:

This paper presents a case study on the black-box modeling of non-linear systems with artificial intelligence (AI) techniques, specifically focusing on their practical applications in the control of internal combustion engines (ICEs). Non-linear systems, characterized by their complex behavior, pose significant challenges in the field of control engineering. Traditional modeling approaches often fall short in accurately predicting the dynamic responses of such systems and require a comprehensive understanding of the system?s dynamic behavior. This work explores various non-linear modeling techniques and evaluates their efficacy in simulating the intricate dynamics of ICEs, with the aim of enhancing control strategies. The findings indicate that the practical applicability of non-linear modeling is feasible for certain engine sub-systems, especially in a fast development environment added to limited knowledge of the system?s governing equations. As expected, this approach allows for better estimates during the iterative process of engine calibration.

Download (PDF)

Palavras-chave: -,

Palavras-chave: -,

DOI: 10.5151/simea2025-PAP134

Referências bibliográficas
  • [1] B. Yao, "Prediction of kerosene properties at supercritical pressures by Artificial Neural Network," in 2018 Joint Propulsion Conference, 2018.
  • [2] S. R. Narayanan, "Local-Transfer Gaussian Process (LTGP) Learning for Multi-Fuel Capable Engines," in AIAA SCITECH 2025 Forum, 2025.
  • [3] M. Zameni, M. Ahmadi and A. Talebi, "Creating a neural network-based model to predict the exhaust gas temperature of the internal combustion engine," GSC Advanced Research and Reviews, 2024.
  • [4] R. Federico, A. Massimiliano and M. Francesco, "Artificial Neural Networks as a Tool for High-Accuracy Prediction of In-Cylinder Pressure and Equivalent Flame Radius in Hydrogen-Fueled Internal Combustion Engines," Energies, 2025.
  • [5] M. Meli, Z. Wang, P. Bailly and S. Pischinger, "Neural Network Modeling of Black Box Controls for Internal Combustion Engine Calibration," SAE Technical Paper, 2024.
  • [6] S. L. Brunton, J. L. Proctor and J. N. Kutz, "Discovering governing equations from data by sparse identification of nonlinear dynamical systems," in Proceedings of the National Academy of Sciences, 201
  • [7] J. L. Wang, J. H. a. P. Chen, L. Zhu, Y. Wu, Z. Cai, H. Wu and Maoxuan, "Prediction of the transient emission characteristics from diesel engine using temporal convolutional networks," Engineering Applications of Artificial Intelligence, 2024.
  • [8] W. T. Chung, A. A. Mishra, N. Perakis and M. Ihme, "Data-assisted combustion simulations with dynamic submodel assignment using random forests," Combustion and Flame, 2021.
  • [9] L. Breiman, "Random Forests," Machine Learning, 2001.
  • [10] A. J. Smola and B. Schölkopf, "A tutorial on support vector regression," Statistics and Computing - Springer, 2004.
  • [11] F. Chollet, "Keras," Github, 2015. [Online]. Available: https://github.com/fchollet/keras.
  • [12] M. Abadi, P. Barham, E. Brevdo and e. al, "TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems," 2015. [Online]. Available: https://www.tensorflow.org/.
Como citar:

BEPU, ARIEL MAKOTO; CHAVES, Mario Henrique; DUQUE, Oscar Javier; "Estudo de caso de modelagem caixa-preta de sistemas não-lineares para projeto de controle em ambiente de rápido desenvolvimento", p. 696-704 . In: Anais do XXXII Simpósio Internacional de Engenharia. São Paulo: Blucher, 2025.
ISSN 2357-7592, DOI 10.5151/simea2025-PAP134

últimos 30 dias | último ano | desde a publicação


downloads


visualizações


indexações