基于机器学习的优化技术，用于提升丁醇/柴油直喷发动机（CI engine）的性能并降低排放

《Scientific Reports》：Machine learning-driven optimization of performance and emissions in a butanol/diesel CI engine

　　

摘要

本文开发了一个混合建模框架，该框架结合了实验数据、CONVERGE CFD（计算流体动力学软件）以及通过Optuna优化的集成机器学习方法，用于预测和优化以丁醇/柴油混合物为燃料的直喷-压缩点火（DI-CI）发动机的性能和排放特性。机器学习被用来模拟和预测在不同发动机运行条件下的关键燃烧和排放特性。本研究对DI-CI发动机的性能和排放特性进行了数值分析和建模研究。CONVERGE CFD软件被用于数值分析。研究中考察了四个不同的发动机参数：喷射开始时刻（SOI，17至29° CA bTDC）、压缩比（CR，14.5至19.5）、废气再循环（EGR，0至30%）以及燃油喷射压力（FIP，200至280巴）。通过Optuna优化的集成元模型获得了最准确的预测结果，其在NO?和ISFC（指示性烟度）指标上的均方根误差（RMSE）最低，R2值最高；同时，在烟尘浓度估计方面也表现出良好的准确性。该集成元模型的性能最佳，ISFC的R2值为0.98，NO?的R2值为0.97，RMSE低于5%，显示出很强的泛化能力。