Estudio y evaluación del algoritmo PSO acoplado a un modelo de inteligencia artificial para la optimización de un motor de encendido por compresión

Abstract

[ES] Los algoritmos de optimización han sido herramientas exitosas que se han utilizado para optimizar parámetros del motor tanto en experimentos como en simulaciones computacionales. En este trabajo se implementa un método híbrido de optimización que acopla el Particle Swarm Optimization (PSO) con redes neuronales y técnicas de cálculo CFD con la finalidad de reducir el consumo y las emisiones de NOx de un motor de encendido por compresión. Para evaluar el desempeño de la metodología que se propone, los resultados se comparan con datos obtenidos previamente a partir del algoritmo PSO básico. Los parámetros que definen el sistema de combustión y que se varían durante el estudio son: 5 variables relativas a la geometría del pistón, número de orificios del inyector, ángulo del chorro, presión de inyección de combustible, número de swirl y tasa de EGR.

[EN] Optimization algorithms have been useful tools that had allowed to optimize engine parameters in both computational simulations and experiments, in the last decades. In this work, a hybrid optimization method that couples Particle Swarm Optimization (PSO) and Novelty Search (NS) algorithms with neural networks and CFD computational techniques is implemented in order to find a combustion chamber design and an input parameter configuration that reduces fuel consumption and pollutant emissions in a compression ignition engine. To evaluate the performance of the proposed methodology, the results are compared with data previously obtained from the basic PSO algorithm. The parameters that define the combustion system and those that will be modified during the study are the following: 5 variables related to the piston geometry, the number of injector orifices, the spray angle, the injection pressure, the swirl number and the Exhaust Gas Recirculation (EGR).

[CA] Els algoritmes d'optimització han sigut ferramentes que s'han utilitzat per a optimitzar paràmetres del motor tant en experiments com en simulacions computacionals en les últimes dècades. En aquest treball s'implementa un mètode híbrid d'optimització que acobla els algorismes Particle Swarm Optimization (PSO) i Novelty Search (NS) amb xarxes neuronals i tècniques de càlcul CFD amb la finalitat de trobar un disseny de cambra de combustió i uns paràmetres d'entrada que permeten reduir el consum i les emissions de NOx i partícules de sutge d'un motor d'encesa per compressió. Per a avaluar l'acompliment de la metodologia que es proposa, els resultats es comparen amb dades obtingudes prèviament a partir de l'algoritme PSO bàsic. Els paràmetres que defineixen el sistema de combustió i que es pretenen variar durant l'estudi són: 5 variables relatives a la geometria del pistó, el nombre d'orificis de l'injector, l'angle del doll, la pressió d'injecció de combustible, el número de swirl i la taxa de gasos recirculats d’escapament (EGR).