Desarrollo Algoritmos de Inteligencia Artificial para predecir emisiones contaminantes en motores de encendido por compresión

Abstract

[ES] Los procesos físico-químicos que ocurren en la cámara de combustión de sistemas de propulsión actuales se caracterizan por ser complejos y no-lineales. En general, la predicción de estos procesos se realiza a partir de modelos de dinámica de fluido computacional (CFD), los cuales son modelos que han sido altamente desarrollados, pero son costosos. En este trabajo se proponen modelos de regresión basados en el autoaprendizaje que permiten reproducir el comportamiento no lineal de las variables de estudio, y que proporcionan resultados en un tiempo razonable de cálculo.

[CA] Els processos fisicoquímics que es produeixen a l’interior de la cambra de combustió dels motors d’encesa per compressió, i a qualsevol altre sistema de propulsió actual, són complexos i no-lineals. De forma habitual, aquests processos es simulen amb mètodes numèrics, entre els quals destaquen els models de dinàmica de fluids computacional (CFD). Aquest tipus de models han sigut altament desenvolupats durant els últims anys i els seus resultats són, generalment, molt exactes, no obstant això, presenten la problemàtica de requerir un cost computacional molt elevat. En este treball es proposen models alternatius capaços de predir els òxids de nitrogen i el consum específic a partir de diferents variables de disseny referides al sistema de combustió en un temps de càlcul raonablement menor. Estos models alternatius consistixen en models de regressió basats en l’autoaprenentatge. Els models de regressió proposats són les xarxes neuronals, el Super Learner i les gramàtiques d’eixam. Al llarg d’aquest treball es desenvolupen tant el seu funcionament com la implementació de cada un d’ells i es comparen les seues respectives capacitats d’ajust entre si, així com el cost computacional que requereixen. Prèviament a l’estudi dels algoritmes es realitza una revisió de diversos aspectes relacionats amb el procés de combustió en motors d’encesa per compressió, amb la finalitat d’entendre l’àmbit en què s’apliquen els algoritmes i conéixer, conceptualment, tant les variables que es prediuen com aquelles a partir de les quals es du a terme la predicció.

[[EN] The physico-chemical processes that occur inside the combustion chamber of compression ignition engines, and in any other current propulsion system, are complex and non-linear. These processes are usually simulated with numerical methods, especially with fluid dynamics models (CFD). These kind of models have been highly developed during the last years and their results are, in general, very accurate, however, they have a problem with requiring a very high computational cost. This paper proposes alternative models which are able to predict nitrogen oxides and specific consumption from different design variables referred to the combustion system in a reasonably shorter calculation time. These alternative models consist in self-learning regression models. The proposed regression models are neural networks, the Super Learner and Grammatical Swarm. In this document, it is explained how they work and their implementation. It is also included a comparation between their respective adjustment capabilities, as well as the computational cost that they require. Before the study of the algorithms, a review of different aspects related to the combustion process in compression ignition engines is included, in order to understand the field in which the algorithms are applied and to know, conceptually, the variables that are predicted and those from which the predictions are done.