Öntanuló algoritmussal optimalizálja motorjait az Aramco

A Saudi Aramco Transport Technologies Division tanulmányt tett közzé, mely a benzinmotoros kompressziós gyújtású (GCI) motorok optimális dugattyújának kialakítását vizsgálta. A tanulmányban egy GCI-motor dugattyú-geometriáját és befecskendezőjének kialakítását hidrodinamikai számításokkal (CFD) és ML-Machine Learning – Gépi tanulás - informatikai technika alkalmazásával  optimalizálták.

De mi is az a Machnine Learning? Adott egy adathalmaz, aminek adatai között logikai összefüggések vannak, ezek az összefüggések modellezhetőek egy statikus adathalmazon, azonban, ha az adathalmaz tartalma folyamatosan változik, akkor lép be a képbe a gépi tanulási megoldás, aminek a lényege, hogy ezen összefüggések a folyamatosan változó adatok fényében folyamatosan újradefeiniálásra kerülnek. A kialakuló információhalmaz célja a minél precízebb jóslás. Tehát ha ML segítségével megértjük az adathalmazban lévő elemi adatok közötti kapcsolatokat, akkor ezek alapján következtetéseket tehetünk arra, hogy bizonyos paraméterek változása hogyan hat vissza az teljes adathalmazra. Ez így elsőre elég bonyolultnak hangzik, de elég csak arra gondolnunk, hogy azt kell megtalálni, milyen adatváltozás kell ahhoz, hogy valamilyen másik adat is hasonlóképpen változzon. A Machine Learning lényege az ideális adatmodell megtalálása, ehhez az adatkör bizonyos (kisebb, általában 20-30%) részét felhasználva történik a tanulás, majd a nagyobb (maradék) részén már tanult adatmodell tesztelése, alkalmazása. 

Az eredmény:

Az Aramco kísérleti projektjében a vizsgált GCI motor hengerterének optimalizált kialakítása 3,8-4,5%-kal csökkentette a tüzelőanyag-fogyasztást a korábbi (alap) kivitelhez képest. A vizsgálatot lépcsőzetesen, alacsony (6 bar), közepes (11 bar) és nagy (22 bar) sűrítési végnyomás értékeken végezték. Tizenhárom (10 dugattyúhoz és három befecskendezőhöz kapcsolódó) tervezési paramétert vettek figyelembe, 128 DoE (Design of Experiments – kísérleti szituáció) esetet generálva minden terhelési pozícióban. A három legjobb tervet ezután további elemzésnek vetették alá, és súlyozott értékek meghatározása után választották ki az egyetlen konstrukciót, melyet minden terhelési körülmény között tovább vizsgáltak.

Ezután következett az ML - gépi tanulás, melynek segítségével a fentiekben leírtak szerint megállapítást nyert, hogy a laposabb dugattyúkorona kialakítás alacsony középmagassággal, széles és sekély edénnyel, valamint alacsony peremmel előnyösebb alacsony és nagy terhelésű körülmények között. Alacsony terhelésnél, részlegesen előkevert kompressziós gyújtás (PPCI) módban, azt találták, hogy a felső ajakot célzó permet, valamint a permetnek az edénybe és az összenyomó zónákra való felosztása javította a keverést, és a legjobb eredményeket hozta.

Nagy terhelésű keveréssel vezérelt diffúziós égési üzemmódban, ahol a befecskendezés az FHP felső holtpont (TDC) közelében történik, és a diffúziós égés a domináns égési mód, az alsó ajak célzása bizonyult kedvezőbbnek. Közepes terhelésnél dúsabb keverékarány mellett az égés minősége közel volt a homogén töltésű kompressziós gyújtáshoz (HCCI).

Az optimális injektorparaméterek vizsgálata tekintetében a kis terhelés mellett a több, kisebb átmérőjű fúvóka alkalmazása bizonyult kedvezőbbnek, segítve a részben előkevert töltet szabályozását. Nagy terhelésnél azonban a kevesebb, de nagyobb átmérőjű fúvóka alkalmazást találták optimális megoldásnak.

Tudjuk, a világban a fosszilis tüzelőanyagok felhasználása visszaszorításának célja, a nulla nettó ambíciók jelentős kihívást jelentenek a fejlesztőknek. Mint szakmai csemegét, már a kezdete óta kísérjük figyelemmel ezeket a bravúros kísérleteket, melyek egyike sem „könnyű mutatvány”.

Megfigyelési listánk újabb projekttel bővült, mivel az Aramco nem csak a GCI motorokkal, hanem a Turbulent Jet Ignition (TJI) gyújtási-, illetve a Mobile Carbon Capture (MCC) kipufogógázkezelő megoldással is foglalkozik.

Az Aramco tanulmány elérhető itt.