GPU-basierte Methoden des maschinellen Lernens zur Entwicklung von Vorhersagemodellen für die Abgaseigenschaften von Verbrennungsmotoren während des Kaltstarts aus realen experimentellen Daten

Einleitung

Durch umfangreiche Experimente wurden kürzlich große Datensätze über die Leistung von Verbrennungsmotoren beim Kaltstart und auf den ersten Fahrkilometern gewonnen. Die Datensätze enthalten Messungen von mehr als 1000 Parametern, die gleichzeitig in 0.1-Sekundentakt aufgezeichnet worden sind. Dazu gehören unter anderem Motorleistungsparameter, die detaillierte Multikomponentenzusammensetzung des Abgases sowie entsprechende Eigenschaften von Partikeln im Nanometerbereich, die aus elektronenmikroskopischen Aufnahmen zusammengestellt wurden. Ziel des Projekts ist es, Methoden des maschinellen Lernens (ML) auf diese umfassende Datenmenge anzuwenden, um Modelle zu entwickeln, die in der Lage sind, die Abgaszusammensetzung einschließlich der Partikelkonzentrationen und der nanostrukturellen/molekularen Eigenschaften während variabler, instationärer Kaltstartbedingungen vorherzusagen. Die Vorhersagemodelle werden zur Entwicklung optimaler Steuerstrategien und Algorithmen für niedrige Schadstoffemissionen bei verschiedenen Kaltstartbedingungen verwendet und tragen zu einer sauberen städtischen Umwelt bei.

© Manoj Mangipudi

Projektbeschreibung

Der Verkehrssektor ist einer der Hauptverursacher von Treibhausgasemissionen. Hier werden fossile Brennstoffe in Verbrennungsmotoren in mechanische Energie umgewandelt, was durch das Zusammenspiel von Fluiddynamik, Thermodynamik und chemischen Phänomenen gekennzeichnet ist. Außerdem wirken sich messbare Motorbedingungen wie die Temperatur, das Kraftstoff-Luft-Verhältnis und sogar die Umgebungstemperatur auf die Schadstoffemissionen aus. Ziel der Forschung ist es, die verantwortlichen Parameter des Motors zu berücksichtigen und zu zeigen, wie sie zur Vorhersage der Schadstoffemissionen und der Eigenschaften der Emissionen genutzt werden können.
Interessanterweise führt der so genannte "Kaltstart" des Motors bei niedrigen Umgebungstemperaturen zu erhöhten Schadstoffemissionen und -eigenschaften, wodurch die Effizienz von Katalysatoren und Wärmetauschern im Abgassystem von Motoren abnimmt. Aus den nachstehenden Abbildungen ist ersichtlich, dass die Kohlenmonoxidemissionen in den ersten 300 Sekunden (Abbildung 1 bei -7°C) wesentlich höher sind als (Abbildung 2 bei 23°C).
Ziel des Projekts ist die Entwicklung und Anwendung von Methoden des maschinellen Lernens (ML) auf große experimentelle Datensätze aus der realen Welt, um Modelle zu entwickeln, die in der Lage sind, die Abgaszusammensetzung einschließlich der Partikelkonzentrationen und der nanostrukturellen/molekularen Eigenschaften während variabler, nichtstationärer Kaltstartbedingungen vorherzusagen. Im Rahmen des Projekts wird auch ein neuartiger Ansatz für die prädiktive Analytik vorgeschlagen, um Messungen des Verbrennungsmotors mit TEM-Bildern von Rußpartikeln aus Abbildung 3 zu kombinieren, die gleichzeitig mit den Motormessungen erstellt wurden.