Desarrollo de un modelo de motor diesel sobrealimentado en VEMOD y uso de redes neuronales para mejorar el tiempo de cálculo

Abstract

Prestando atención a los problemas medioambientales, especialmente la contaminación atmosférica, los vehículos propulsados por combustibles fósiles son una de las principales fuentes, ya que generan NOx, hidrocarburos, CO, partículas y otros. Por tanto, el principal desafío de la industria automovilística radica en cumplir la cada vez más estricta regulación de emisiones manteniendo la eficiencia del motor. Para cumplir con estas limitaciones, el uso de modelos capaces de predecir el comportamiento y las emisiones de un motor se convierte en una técnica esencial. En este trabajo se desarrollará un modelo de un motor diésel turboalimentado de 2 litros de cilindrada utilizando la herramienta VEMOD, la cual es un software desarrollado en CMT. VEMOD es un software de simulación unidimensional basado en el cálculo del flujo mediante técnicas de volúmenes finitos. Ciertos elementos del motor se simulan suponiéndolos como 0-dimensionales, como los cilindros, intercambiadores de calor, etc. Para el desarrollo del modelo se ha empleado información proveniente de un modelo del mismo motor desarrollado con el código comercial GT-Power. Para la información no disponible se han empleado datos provenientes de otro motor ajustándose para obtener los resultados deseados. A pesar de que VEMOD es un código rápido, similar al código comercial GT-Power es complicado utilizarlo para simular control en tiempo real ya que suele calcular a una velocidad alrededor de 10 veces más lenta que tiempo real. Por tanto, se deben de desarrollar nuevas herramientas o métodos que permitan mejorar el tiempo de cálculo. La simplificación de elemento, el uso de algoritmos de optimización y las computadoras de alto rendimiento son tres caminos que permitirán alcanzar el objetivo. En este trabajo se presta atención especialmente al uso de redes neuronales (RNN), un algoritmo de optimización para mejorar el tiempo de cálculo. Utilizando RNN es posible simular de forma rápida el motor actualizando los diferentes parámetros de funcionamiento frente al tiempo. Es por ello que este algoritmo se presente como un buen método para control en tiempo real.

More attentions are paid to the environmental problems, especially the air pollutions. Fuel cars is one of main sources to the air pollutions, which will produce NOX, CH, CO, PM and something else. Therefore, an issue of major concern for the automotive industry is to achieve increasingly stringent emission regulations, while maintaining engine efficiency. In order to comply with these limitations, establishing engine models to predict engine performance and exhaust emissions is becoming more and more essential. We try to establish an engine model of a 2.0 liters turbocharger diesel engine VEMOD, which is a software developed by CMT. VEMOD is a one-dimension simulated software, based on wave-action methods, one of finite volume methods (FVMs). And VEMOD also includes some zero-dimension sub-models, such as combustion and cooler. More than thirty parameters of VEMOD model are adjusted, which are from three ways. One is from another turbocharger diesel engine model, which is a VEMOD model established and verified by experiments before; two is from the engine model of the commercial code GT-Power; and the last is from adjusting by myself. In order to improve simulated results and calculation time, ten models are established and simplified. Consequently, a relatively good results are obtained compared with commercial code GT-Power model. The detailed employment and adjustment of VEMOD are also demonstrated. However，VEMOD model is faster than commercial code GT-Power model. It is also difficult to realize real-time control. Because the calculation time for a whole engine is ten times slower than real engine. Therefore, we should develop new methods or tools to improve calculation time. Elements simplification, algorithms optimization, and high performance computing are promising methods. And then I mainly introduce RNNs, one of algorithms optimization, to improve time. In recurrent neural networks, parameter sharing across different parts of the model makes it possible to capture the information updating over the time index. Hence it is will be a good method for real time control.