Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santos, Max Mauro Dias | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-7877-3554 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/6212006974231025 | - |
Autor(es): dc.contributor | Corrêa, Fernanda Cristina | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-4907-0395 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1495216809511536 | - |
Autor(es): dc.contributor | Justo Filho, João Francisco | - |
Autor(es): dc.contributor | https://orcid.org/0000-0003-1948-7835 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0482334057028794 | - |
Autor(es): dc.contributor | Yoshino, Rui Tadashi | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-7267-4464 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1374012206166960 | - |
Autor(es): dc.creator | Tosso, Hilkija Gaius | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:10:54Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:10:54Z | - |
Data de envio: dc.date.issued | 2024-02-15 | - |
Data de envio: dc.date.issued | 2024-02-15 | - |
Data de envio: dc.date.issued | 2023-12-21 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/33350 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1090511 | - |
Descrição: dc.description | Engine Knock poses a signifcant threat to the integrity and performance of spark ignition engines, leading to decreased efciency, power, and overall performance. Traditional control strategies utilize knock sensors to identify and mitigate these adverse efects, although these may not always provide accurate or timely responses. This presents an innovative model-based approach to knock control, utilizing Artifcial Intelligence (AI) techniques. Specifcally, we propose a time-series Artifcial Neural Network (ANN) model designed to simulate SI Engine Cylinder block vibrations. This study investigates transformer models, Long Short-Term Memory (LSTM), and Convolutional Neural Network (CNN) models. These models are trained using vibrational data from engine blocks, thereby developing a comprehensive understanding of the unique behaviors of the engine. Among the models, the Attention LSTM model showed slightly superior performance, outperforming the other two models across the full range of engine vibration conditions. Despite promising results, further refnement and tuning of these models are required for real-world implementation. The proposed AI model ofers a promising direction for advancements in knock control technology, with potential implications for enhancing engine durability, performance, and fuel efciency. | - |
Descrição: dc.description | Fundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Paraná | - |
Descrição: dc.description | Fundação de Apoio à Educação, Pesquisa e Desenvolvimento Científico e Tecnológico da Universidade Tecnológica Federal do Paraná (FUNTEF-PR) | - |
Descrição: dc.description | Universidade Tecnológica Federal do Paraná (UTFPR) | - |
Descrição: dc.description | A Detonação do Motor representa uma ameaça significativa para a integridade e o desempenho dos motores de ignição por faísca, levando a uma diminuição da eficiência, potência e desempenho geral. As estratégias de controle tradicionais utilizam sensores de detonação para identificar e mitigar esses efeitos adversos, embora estes nem sempre possam fornecer respostas precisas ou oportunas. Este trabalho apresenta uma abordagem inovadora baseada em modelos para o controle de detonação, utilizando técnicas de Inteligência Artificial. Especificamente, propomos um modelo de Rede Neural Artificial de séries temporais projetado para simular as vibrações do bloco do cilindro do motor de Ignição por Faísca. Este estudo investiga modelos baseados em mecanismos de atenção, Long Short Term Memory (LSTM), e modelos de Rede Neural Convolucional. Esses modelos são treinados usando dados vibracionais de blocos de motores, desenvolvendo assim uma compreensão abrangente dos comportamentos únicos do motor. Entre os modelos, o modelo LSTM com mecanismos de atenção apresentou um desempenho ligeiramente superior, superando os outros dois modelos em toda a gama de condições de vibração do motor. Apesar dos resultados promissores, são necessários mais aprimoramentos e ajustes desses modelos para a implementação no mundo real. O modelo de IA proposto oferece uma direção promissora para avanços na tecnologia de controle de detonação, com implicações potenciais para melhorar a durabilidade, o desempenho e a eficiência de combustível. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Ponta Grossa | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Engenharia Elétrica | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by-nc-sa/4.0/ | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Automóveis - Ignição | - |
Palavras-chave: dc.subject | Detonação | - |
Palavras-chave: dc.subject | Controladores elétricos | - |
Palavras-chave: dc.subject | Calibração | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Atenção - Testes | - |
Palavras-chave: dc.subject | Vibração | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Automobiles - Ignition | - |
Palavras-chave: dc.subject | Blasting | - |
Palavras-chave: dc.subject | Electric controllers | - |
Palavras-chave: dc.subject | Calibration | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | Attention - Testing | - |
Palavras-chave: dc.subject | Vibration | - |
Palavras-chave: dc.subject | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | - |
Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
Título: dc.title | Model-based ai approach for knock control in spark ignition engine by vibration block modeling | - |
Título: dc.title | Abordagem de inteligência artificial baseada em modelos para controle de detonação em motor de ignição por centelha por meio de modelagem de blocos de vibração | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: