Alacsony Hőmérsékletű Égésfolyamatok Mesterséges Intelligencia Alapú Analízise

AI-based Analysis of Low Temperature Combustion

Abstract

Heavy-duty vehicles and other commercial vehicles require high energy-density onboard energy storage provided by internal combustion engines, along with cost efficiency. Therefore, their environmental impact must be further reduced in the future. Low temperature combustion (LTC) offer an excellent solution, as it can simultaneously reduce nitrogen oxide and soot emissions in compression ignition engines while improving efficiency. However, controlling such unstable combustion processes is challenging, making the use of model predictive controllers (MPC) essential for market applications, as they can regulate combustion on a cycle-to-cycle basis. Instead of traditional physical models, artificial intelligence (AI) based models can be more effective due to their simplicity, making them a viable option for MPC development. This paper presents AI-based models capable of predicting the key parameters of the combustion process during both conventional diesel and LTC operation. The applied LTC process is modulated kinetics (MK), that utilizes high levels of exhaust gas recirculation (EGR). The models were trained and validated using 113 different inlet oxygen concentrations to accurately model the effects of EGR. The results show that the models are accurate, making it possible to implement an MPC using them in future research.

Kivonat

A nehézgépjárművek és a szállítmányozás egyéb haszonjárművei megkövetelik a belsőégésű motorok által nyújtott nagy energiasűrűségű fedélzeti energiatárolást és a költséghatékonyságot, így ezek környezetterhelését a jövőben tovább kell csökkenteni. Erre az alacsony hőmérsékletű égésfolyamatok (LTC) kitűnő megoldást nyújtanak, hiszen alkalmazásukkal egyidejűleg csökkenthető a kompressziógyújtású motorok nitrogén-oxid és korom emissziója, valamint a hatásfok is növelhető. Ugyanakkor az ilyen instabil égésfolyamatok irányítása nehéz, emiatt a piaci alkalmazások esetén elengedhetetlen a modell prediktív vezérlők (MPC) használata, melyek ciklusról ciklusra irányíthatják az égésfolyamatot. A hagyományos fizikai modellek helyett a mesterséges intelligencia (AI) alapú modellek hatékonyabbak lehetnek egyszerűségük miatt, ezért az MPC készítése során is érdemes lehet erre támaszkodni. Ebben a cikkben mesterséges intelligencia alapú modellek kerülnek bemutatásra, melyek képesek az égésfolyamat legfontosabb paramétereit előrejelezni normál dízel illetve LTC üzem során. A létrehozott LTC folyamat modulált kinetika (MK) típusú, mely nagyarányú kipufogógáz visszavezetést (EGR) alkalmaz. A modellek így 113 különböző szívóoldali oxigénkoncentráció mellett lettek betanítva és validálva, hogy az EGR hatása megfelelően modellezésre kerüljön. Az eredmények azt mutatják, hogy a modellek pontosak, így a jövőbeni kutatások során ezek felhasználásával lehetséges egy MPC implementálása.