Exploring the possibility of using artificial intelligence and machine learning tools in hydraulic flow testing

Abstract

Denne oppgaven utforsker muligheten for å bruke kunstig intelligens (KI) og maskinlæring (ML) til å forutsi hydrauliske trykktap i rørkoblinger, med mål om å anbefale metoder for å supplere designet av komponenter i termiske styringssystemer (TMS) for batterielektriske kjøretøy (BEV). Ved å bruke et datasett med trykkmålinger fra strømning gjennom en 90° albuekobling, opprinnelig samlet inn av Stapelfeldt (2022), sammenlignes flere ensemble-regresjonsmodeller basert på beslutningstrær (Random Forest, Extra Trees, XGBoost, Histogram-Basert Gradient Boosting og Voting), sammen med et fysikkinformert nevralt nettverk (PINN).

Støydemping med lavpassfilter og fjerning av avvik for å isolere stabil strømning er gjennomført. Både rå sensorattributter (strømningshastighet, innløps-/utløpstrykk) og konstruerte, fysikkforsterkede attributter (Reynolds-tall, teoretisk trykktap via Darcy–Weisbach, strømningshastighet) benyttes. Hyperparameterjustering gjøres gjennom tilfeldig søk og "successive halving"-søk med nestet kryssvalidering, mens modellens ytelse vurderes ved hjelp av MAE, RMSE, R² og residualanalyse. En analyse av læringskurver, for å identifisere minimumsandel av treningsdata som kreves for å oppnå tilstrekkelige nøyaktighetsmål, er også inkludert.

Regresjonsmodellene oppnådde MAE-er under 0,75 % av faktiske verdier, og R²-verdier over 0,999 ved bruk av kun 40–60 % av datasettet, mens PINN-er – selv om de er mer følsomme for balansering av tap-vekting – viser lovende evne til å ekstrapolere utover treningsdataens område. Disse funnene antyder at KI/ML-modeller kan gi pålitelige prediksjoner av trykktap i hydrauliske koblinger, og dermed potensielt fremskynde tidlige designiterasjoner i automotiv testing.

This thesis explores the feasibility of applying artificial intelligence (AI) and machine learning (ML) techniques to predict hydraulic pressure losses in pipe fittings, with the goal of recommending methods of supplementing thermal management system (TMS) component design in battery electric vehicles (BEVs). Using a dataset of pressure measurements from flow through a 90° elbow fitting, originally collected by Stapelfeldt (2022), several tree-based ensemble regressors (Random Forest, Extra Trees, XGBoost, Histogram-Based Gradient Boosting, and Voting) are compared, alongside a Physics-Informed Neural Network (PINN).

Low-pass noise filtering and outlier removal to isolate steady-state flow behavior is performed. Both raw sensor features (flow rate, inlet/outlet pressures) and engineered physics-augmented features (Reynolds number, theoretical pressure loss via Darcy–Weisbach, flow velocity) are employed. Hyperparameter tuning is done through randomized and successive-halving search with nested cross-validation, while model performance is assessed via MAE, RMSE, R2, and residual analysis. An analysis of learning curves, to identify the minimum fraction of training data required to meet accuracy targets, is also included.

The regressors achieved MAEs below 0.75% of actual values, and R² scores above 0.999 using only 40%-60% of the dataset, while PINNs—though more sensitive to loss-weight balancing—exhibit promising extrapolation capabilities beyond the range of training data. These findings suggest that AI/ML surrogates can reliably predict pressure losses in hydraulic couplings, possibly expediting early design iterations in automotive testing.