DOI: https://doi.org/10.64808/engineeringperspective.1817878
تاريخ النشر: 2026-02-05
المؤلف: Shıvakumar Nagareddy وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
في هذه الدراسة، تم تطوير نموذج تحكم مخفض قائم على الشبكات العصبية لتعزيز كفاءة أنظمة تكييف الهواء في المركبات مع معالجة الطلب على الطاقة وراحة الركاب والاستدامة. شملت الأبحاث نمذجة ومحاكاة كل من نظام تكييف هواء المركبة المفصل مع وحدة تحكم تناسبية-تكاملية-تفاضلية (PID) ونموذج مخفض يستخدم شبكة عصبية، باستخدام أداة محاكاة AMESim. تم استخدام خمسة دورات قيادة مختلفة (NEDC، FTP75، US06، EPA-HWFET، وSC03) لتقييم أداء كلا النموذجين. أظهرت النتائج أن نموذج الشبكة العصبية قلل بشكل كبير من وقت تشغيل وحدة المعالجة المركزية من 225 ثانية إلى 1.35 ثانية خلال دورة القيادة SC03، مع الحفاظ على دقة مماثلة في درجة حرارة المقصورة وقوة الضاغط، مع تباينات تقل عن 1 °م.
تظهر النتائج أن النموذج المخفض مع الشبكة العصبية لم يحقق فقط مستويات دقة وأداء مماثلة عبر دورات القيادة المختلفة، بل أظهر أيضًا تعقيدًا حسابيًا أقل، مما يجعله مناسبًا لتطبيقات التحكم المدمجة في الوقت الحقيقي في المركبات. توفر المعلمات المحسّنة المستمدة من نتائج المحاكاة للمصنعين مسارًا لتقليل الاعتماد على النماذج الفرعية المكلفة، مما يسهل تحقيق وفورات في التكاليف ويعزز التنمية المستدامة في تصميم أنظمة تكييف الهواء. بشكل عام، تؤكد الدراسة على إمكانيات الشبكات العصبية لتعزيز الكفاءة التشغيلية وقابلية التكيف لأنظمة تكييف الهواء في المركبات تحت ظروف ديناميكية.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الحاجة الملحة لتعزيز أنظمة تكييف الهواء في المركبات بسبب الاحتباس الحراري ومخاوف راحة الركاب. تتضمن التطورات الأخيرة وحدات تحكم تناسبية-تكاملية-تفاضلية (PID) ومنهجيات الشبكات العصبية لتحسين درجة حرارة المبخر ومعامل الأداء (COP) للمواد المبردة، وخاصة R1234yf وR134a. تشير الدراسات التجريبية إلى أنه بينما يظهر R134a أداءً حراريًا متفوقًا قليلاً، فإن R1234yf، على الرغم من أنه يتطلب معدل تدفق كتلي أعلى بسبب حجمه النوعي الأقل، يقدم خصائص بيئية وأداءً أفضل عند استخدامه في تكوينات ضاغط ومبخر أكبر.
تناقش الورقة أيضًا تقنيات الشبكات العصبية المختلفة المستخدمة لتحسين تصميمات أنظمة التبريد، باستخدام مجموعات بيانات من مصادر محاكاة وتجريبية وASHRAE. يكشف تحليل شامل لاستراتيجيات التحكم أن نظام التحكم بالقيادة بتردد متغير يتفوق بشكل كبير على دورات التشغيل التقليدية ON/OFF، محققًا أقصى COP قدره 2.06 مقارنة بـ 1.17، إلى جانب توفيرات ملحوظة في الطاقة. بالإضافة إلى ذلك، تظهر النماذج المدفوعة بالذكاء الاصطناعي، بما في ذلك وحدات التحكم PID التكيفية ووحدات التحكم التنبؤية القائمة على الشبكات العصبية، تحسينات كبيرة في الراحة الحرارية وكفاءة الطاقة، مع تقليل استهلاك الطاقة بنسبة تصل إلى 55% في عمليات HVAC. تهدف الدراسة إلى دمج نماذج مفصلة ونماذج مرتبة مخفضة لأنظمة تكييف الهواء في المركبات باستخدام الشبكات العصبية عبر دورات القيادة المختلفة، مما يوفر إطارًا قويًا للبحوث والتطبيقات المستقبلية في التحكم المناخي في السيارات.
النتائج
تقدم نتائج الدراسة تحليلًا مقارنًا بين نموذج مفصل ونموذج مخفض لدائرة تكييف الهواء في المركبة، كلاهما مدمج مع وحدة تحكم درجة حرارة PID. تم إجراء المحاكاة باستخدام دورات قيادة مختلفة، مع التركيز على تباينات المتغيرات المدخلة والمخرجة. تم تقييم مستويات الدقة لكلا النموذجين، جنبًا إلى جنب مع مكاسب السرعة الخاصة بهما عبر دورات القيادة المختلفة.
بالإضافة إلى ذلك، تم تقييم أوقات تشغيل وحدة المعالجة المركزية للنموذجين المفصل والمخفض، مما يبرز الكفاءة الحسابية للنموذج المخفض مقارنة بالنموذج المفصل. يبرز هذا التحليل الفوائد المحتملة لاستخدام النماذج المخفضة في محاكاة تكييف الهواء في المركبات، لا سيما من حيث تحسين موارد الحوسبة مع الحفاظ على مستويات دقة مقبولة.
المناقشة
في هذه الدراسة المحاكاة، تم تطوير نموذج قائم على الشبكات العصبية لتحسين دائرة تكييف الهواء في المركبات، مما يعزز راحة المقصورة وكفاءة الطاقة. يحل النموذج محل دائرة تكييف الهواء التقليدية مع الحفاظ على درجة حرارة مقصورة المركبة والتكامل مع وحدة تحكم درجة حرارة PID. تم استخدام دورات قيادة متنوعة، بما في ذلك FTP75 وHWFET وNEDC وSC03 وUS06، لتقييم أداء كل من النموذجين المفصل والمخفض. كانت المتغيرات المدخلة الرئيسية تشمل درجة الحرارة المحيطة وسرعة المركبة، بينما كانت المخرجات تركز على درجة حرارة المبخر وقوة الضاغط. أظهر نموذج الشبكة العصبية كفاءة حسابية كبيرة، حيث قلل وقت تشغيل وحدة المعالجة المركزية من 225 ثانية في النموذج المفصل إلى 1.35 ثانية فقط في النموذج المخفض، مما يسهل تطبيقات التحكم في الوقت الحقيقي.
أشارت النتائج إلى أن كلا النموذجين أظهرا أداءً مشابهًا من حيث درجة حرارة المقصورة وقوة الضاغط، مع تباينات تقل عن 1 °م وانحرافات طفيفة أثناء التحميل الديناميكي. أظهرت دورة القيادة HWFET أقل انحراف معياري في درجة حرارة المقصورة، مما يدل على تنظيم متفوق. علاوة على ذلك، حافظ نموذج الشبكة العصبية المخفض على الدقة عبر ظروف القيادة المختلفة، مما يؤكد قدرته على التعميم وملاءمته للتحكم في HVAC المدمج في الوقت الحقيقي في المركبات. بشكل عام، تسلط الدراسة الضوء على إمكانيات الشبكات العصبية لتبسيط أنظمة تكييف الهواء في المركبات، مما يؤدي إلى توفير التكاليف وتحسين الاستدامة في عمليات تصميم السيارات.
القيود
تسلط قسم القيود الضوء على تباين أداء النماذج المرتبة المخفضة لأنظمة تكييف الهواء في المركبات، والذي يتأثر بطبيعة بيانات التدريب ونوع المركبة. يشير إلى أن المعلمات الفيزيائية الديناميكية، مثل تباينات نقل الحرارة وحمل الضاغط، تظهر سلوكًا غير خطي تحت ظروف قصوى، مما قد يؤدي إلى نمذجة غير كافية إذا كانت بيانات التدريب غير مكتملة.
لمعالجة هذه التحديات، تقترح الأبحاث دمج الجسيمات النانوية ذات خصائص نقل الحرارة المحسّنة لتحسين أداء وقدرة التبريد لأنظمة تكييف الهواء في الظروف القصوى. بالإضافة إلى ذلك، تقترح أن تأثيرات التبريد لهذه الأنظمة يمكن أن تُستغل لتبريد أنظمة البطاريات في المركبات الكهربائية والهجينة. يذكر القسم أيضًا إمكانيات التبريد المغناطيسي كبديل مستدام لتبريد كل من المقصورة ومكونات الطاقة في المركبات الهجينة والكهربائية.
DOI: https://doi.org/10.64808/engineeringperspective.1817878
Publication Date: 2026-02-05
Author(s): Shıvakumar Nagareddy et al.
Primary Topic: Model Reduction and Neural Networks
Overview
In this study, a neural network-based reduced control model was developed to enhance the efficiency of vehicle air conditioning systems while addressing energy demand, passenger comfort, and sustainability. The research involved modeling and simulating both a detailed vehicle air conditioning system with a Proportional-Integral-Derivative (PID) controller and a reduced model utilizing a neural network, using the AMESim simulation tool. Five different driving cycles (NEDC, FTP75, US06, EPA-HWFET, and SC03) were employed to evaluate the performance of both models. The results indicated that the neural network model significantly reduced CPU run time from 225 seconds to 1.35 seconds during the SC03 driving cycle, while maintaining comparable accuracy in cabin temperature and compressor power, with variations of less than 1 °C.
The findings demonstrate that the reduced model with neural network not only achieved similar fidelity levels and performance across various driving cycles but also exhibited lower computational complexity, making it suitable for real-time embedded control applications in vehicles. The optimized parameters derived from the simulation results provide manufacturers with a pathway to reduce the reliance on costly physical sub-models, thereby facilitating cost savings and promoting sustainable development in air conditioning system design. Overall, the study underscores the potential of neural networks to enhance the operational efficiency and adaptability of vehicle air conditioning systems under dynamic conditions.
Introduction
The introduction of the research paper highlights the pressing need to enhance air conditioning systems in vehicles due to global warming and passenger comfort concerns. Recent advancements have incorporated Proportional-Integral-Derivative (PID) controllers and neural network methodologies to optimize the evaporator temperature and coefficient of performance (COP) of refrigerants, specifically R1234yf and R134a. Experimental studies indicate that while R134a exhibits slightly superior thermal performance, R1234yf, despite requiring a higher mass flow rate due to its lower specific volume, offers better environmental properties and performance when utilized in larger compressor and evaporator configurations.
The paper further discusses various neural network techniques employed to optimize refrigeration system designs, utilizing datasets from simulated, experimental, and ASHRAE sources. A comprehensive analysis of control strategies reveals that a variable frequency drive control system significantly outperforms traditional ON/OFF cycling, achieving a maximum COP of 2.06 compared to 1.17, alongside notable energy savings. Additionally, innovative AI-driven models, including adaptive PID controllers and neural network-based predictive controls, demonstrate substantial improvements in thermal comfort and energy efficiency, with reductions in energy consumption of up to 55% in HVAC operations. The study aims to integrate detailed and reduced-order models of vehicle air conditioning systems using neural networks across various driving cycles, providing a robust framework for future research and applications in automotive climate control.
Results
The results of the study present a comparative analysis between a detailed model and a reduced model of a vehicle air conditioning loop, both integrated with a PID temperature controller. Simulations were conducted using various driving cycles, focusing on the input and output variable variations. The fidelity levels of both models were assessed, alongside their respective speed-up gains across the different driving cycles.
Additionally, the CPU run times for the detailed and reduced models were evaluated, highlighting the computational efficiency of the reduced model in comparison to the detailed model. This analysis underscores the potential benefits of employing reduced models in vehicle air conditioning simulations, particularly in terms of computational resource optimization while maintaining acceptable fidelity levels.
Discussion
In this simulation study, a neural network-based model was developed to optimize the air-conditioning loop in vehicles, enhancing cabin comfort and energy efficiency. The model replaces the traditional air-conditioning loop while maintaining the vehicle cabin temperature and integrating with a PID temperature controller. Various driving cycles, including FTP75, HWFET, NEDC, SC03, and US06, were employed to assess the performance of both the detailed and reduced models. Key input variables included ambient temperature and vehicle speed, while outputs focused on evaporator temperature and compressor power. The neural network model demonstrated significant computational efficiency, reducing CPU run time from 225 seconds in the detailed model to just 1.35 seconds in the reduced model, thus facilitating real-time control applications.
The results indicated that both models exhibited similar performance in terms of cabin temperature and compressor power, with variations of less than 1 °C and minimal deviations during dynamic loading. The HWFET driving cycle showed the lowest standard deviation in cabin temperature, indicating superior regulation. Furthermore, the reduced neural network model maintained fidelity across various driving conditions, confirming its generalization capability and suitability for real-time embedded HVAC control in vehicles. Overall, the study highlights the potential of neural networks to streamline vehicle air-conditioning systems, leading to cost savings and improved sustainability in automotive design processes.
Limitations
The section on limitations highlights the variability in performance of reduced order models for vehicle air-conditioning systems, which is influenced by the nature of the training data and the type of vehicle. It notes that dynamic physical parameters, such as heat transfer variations and compressor load, exhibit non-linear behavior under extreme conditions, which can lead to insufficient modeling if the training data is incomplete.
To address these challenges, the research suggests incorporating nanoparticles with enhanced heat transfer properties to improve the performance and cooling capacity of air-conditioning systems in extreme conditions. Additionally, it proposes that the cooling effects of these systems could be leveraged to cool battery systems in electric and hybrid vehicles. The section also mentions the potential of magnetocaloric cooling as a sustainable alternative for cooling both the cabin and power components of hybrid and electric vehicles.