AI Summary & Key Takeaways
AI InsightAlso, it achieves real-time valve optimization and digital hydraulic control properly.
📌 3 Key Takeaways
Abstract
In digital hydraulic systems, flow regulation is achieved by combining the discrete openings of multiple on/off valves. However, performing dynamic simulations for large digital flow control units (DFCU) is computationally intensive. A 16x4 DFCU, for instance, involves 65,536 possible valve states, each requiring separate dynamic evaluation. This work presents ValveNet, a data-based model that uses a feedforward artificial neural network (ANN)to estimate the cost value J, which reflects the pressure and velocity tracking errors. The network was trained on 2,048,000 physics-based samples (4000 random operating combination x 512 valve actions per state) and validated against a benchmark grid of 65,536 valve combinations derived from a simplified model-based type. The compact ANN architecture ([16–8], SCG training) achieved R2=0.998 on validation data and maintained strong correlation with the physical model (R2=0.78–0.99) while showing a 5.7x computational speed-up. ValveNet enables rapid evaluation of complex DFCU configurations. Also, it achieves real-time valve optimization and digital hydraulic control properly.
Özet
Dijital hidrolik sistemlerde akış kontrolü, birden fazla birbirinden bağımsız aç/kapa valfin konumlarının uygun şekilde birleştirilmesiyle sağlanmaktadır. Bununla birlikte, yüksek boyutlu dijital akış kontrol üniteleri (DFCU) için dinamik simülasyonların yürütülmesi ciddi düzeyde hesaplama gerektirmektedir ve zaman almaktadır. Örneğin, 16x4 valf devresinde bir DFCU toplamda 65.536 olası valf durumuna sahiptir ve her bir durum ayrı bir dinamik çözümleme gerektirmektedir. Bu çalışmada, basınç ve hız izleme hatalarını temsil eden maliyet fonksiyonu J’yi tahmin etmek üzere ileri beslemeli bir yapay sinir ağı (YSA) kullanan veri odaklı vekil model olan ValveNet uygulanmıştır. Önerilen ağ, 2.048.000 fizik tabanlı örnekten oluşan geniş bir veri seti (4000 rastgele çalışma durumu x durum başına 512 valf eylemi) ile eğitilmiş ve sadeleştirilmiş model tabanlı bir referanstan elde edilen 65.536 valf kombinasyonu üzerinde doğrulanmıştır. Kompakt YSA mimarisi ([16–8], SCG eğitimi), doğrulama aşamasında R²=0.998 düzeyinde yüksek başarı göstermiş; fiziksel modele ilişkin karşılaştırmalarda ise R²=0.78–0.99 aralığında güçlü bir uyum sağlamış ve yaklaşık 5.7 kat daha yüksek hesaplama hızı elde edilmiştir. Elde edilen sonuçlar, ValveNet’in karmaşık DFCU konfigürasyonlarını hızlı biçimde değerlendirebildiğini; ayrıca gerçek zamanlı valf optimizasyonu ve dijital hidrolik kontrolünde etkili bir vekil model olarak kullanılabileceğini göstermektedir.