【作者】

Adam Klingbeil；Nicholas Magina；Roy Primus

【摘要】

摘要：在过去的十年中，人工智能和机器学习的基础技术有了很大的发展。由于训练算法和计算资源的进步，这些方法已被广泛应用于从自动驾驶汽车到作曲中。它们最近在涉及复杂物理和多维参数设计领域的工程应用方面得到了广泛的发展。在这项研究中，我们应用和评估机器学习实践的优势，以优化发动机零件设计，特别是柴油机的活塞顶燃烧室。 在这项研究中，运用了机器学习技术帮助设计优化中速柴油机的阶梯式活塞顶燃烧室。在保持活塞顶燃烧室体积和压缩比不变的前提下，将8个参数用于确定地描述轴对称活塞顶燃烧室的轮廓。本次研究除了改变活塞顶燃烧室参数外，还改变了喷射正时和喷射角度。通过改变活塞顶燃烧室参数和喷射参数，在满足NOx（ISNOx）和颗粒物（ISsoot）排放限制的前提下，得到最小化的燃油消耗率（ISFC）。发动机模拟是在商用计算流体动力学（CFD）软件CONVERGE中的1/8扇形几何上进行，该软件使用改进的壳式点火模型确定滞燃期和特征燃烧时间，对燃烧和排放进行了预测。用扩展的Zel'dovich模型预测NOx排放。使用预测的详细颗粒物模型来校准的Hiroyasu-NSC模型，用于预测颗粒物排放。 GE的专有软件工具——Digital Thread for Design用于执行机器学习分析。拉丁超立方采样技术用于创建86种CFD输入文件变量，用于后续性能分析。使用来自CFD中的81个结果作为样本数据，使用各种结构的机器学习模拟模型，分别针对全局标量和空间变量的CFD进行样本输出。高斯过程模拟模型表明能够预测ISFC，ISNOx和ISsoot，而人工神经网络模型更适合预测燃烧参数，如散热率、气缸压力和空间温度场、曲轴转角。将机器学习模型用于选择优化程序中确定的29个新活塞裙部的形状，并通过CFD验证，得到最优的设计。这项研究评估机器学习方法的能力，可以预测具有许多时间变量和空间变量的设计问题。它强调了该技术对复杂设计问题的适用性，并讨论了模型结果对提供的样本数据量的敏感性。

【会议名称】

第29届CIMAC会议

【会议地点】

加拿大 温哥华

【下载次数】

3

返回