Интеллектуальная оптимизация дизельных двигателей с использованием CFD и Machine Learning

Интеллектуальная оптимизация двигателя с использованием машинного обучения и CFD

Опубликовано 10 августа 2026 года

Автор: Рохит Каматх, инженер II отдела технического маркетинга

Спустя более ста лет, миллионы автомобилей и миллиарды пройденных километров, дизельный двигатель остается рабочей лошадкой автомобильного мира, особенно в приложениях с высоким крутящим моментом. Однако ужесточение норм выбросов и растущий спрос клиентов на экономию топлива заставляют производителей двигателей улучшать характеристики, снижая воздействие на окружающую среду. Им нужно мыслить нестандартно, чтобы достичь этих целей.

Инженеры обычно подходят к этой задаче, изменяя несколько переменных конструкции и оценивая характеристики двигателя и выбросы. Они полагаются на вычислительную гидродинамику (CFD) для изучения влияния этих взаимосвязанных переменных на сгорание, топливную экономичность и образование выбросов, среди прочих факторов. Однако даже с современными высокопроизводительными вычислениями исследование всего пространства проектирования может потребовать сотен симуляций! Для практического определения оптимального двигателя требуются более совершенные методы.

Одна из распространенных стратегий — использование методологии поверхности отклика (RSM), метода оптимизации, при котором математическая зависимость строится на основе статистического анализа подмножества пространства проектирования с помощью CFD-симуляций. Этот метод требует небольших вычислительных затрат и позволяет быстро сузить пространство проектирования. Однако такие модели часто не учитывают сильно нелинейные взаимодействия в дизельных двигателях, что снижает точность определения оптимальной конструкции.

Другой вариант — использование генетического алгоритма (GA), метода, вдохновленного эволюцией, при котором несколько кандидатов оцениваются с помощью CFD, а лучшие решения модифицируются для создания последующих поколений. Этот процесс особенно эффективен для исследования большого пространства проектирования, избегая локальных оптимумов, но требует оценки поколений конструкций, что приводит к большому числу CFD-симуляций и, следовательно, к длительному времени вычислений.

Хотя этот список не полон, он показывает сложности оптимизации. Методы, решающие задачу достаточно быстро, могут упустить оптимальное решение, а надежные методы часто требуют больших вычислительных затрат. Но что, если существует методология, которая одновременно надежна и не требует больших вычислений?

Методы машинного обучения (ML) стали привлекательным вариантом. Обучаясь на ограниченном наборе высокоточных CFD-симуляций, модель ML может предсказывать характеристики двигателя, сохраняя точность базовой физики. В результате получается процесс оптимизации, который одновременно эффективен с вычислительной точки зрения и надежен. Чтобы продемонстрировать это, наши инженеры из Convergent Science провели исследование по оптимизации дизельного двигателя с использованием машинного обучения.

Под капотом

Представленный в конце 2024 года инструмент ML в CONVERGE Studio упрощает задачи оптимизации.

Сначала пользователи определяют переменные для оптимизации, называемые параметрами проектирования, и показатели эффективности, называемые переменными отклика, используемые для оценки качества результатов моделирования. Затем инструмент автоматически генерирует план эксперимента (DoE) с использованием квазислучайных комбинаций параметров проектирования, применяя выборку по латинскому гиперкубу для охвата распределения данных [1]. Такой подход гарантирует достаточное исследование пространства проектирования без полного перебора. После генерации каждого варианта пользователи могут запускать симуляции на нашей высокопроизводительной облачной платформе CONVERGE Horizon или на собственном оборудовании. В отличие от оптимизации с помощью GA, эти варианты можно запускать параллельно, что означает, что при достаточных вычислительных ресурсах весь DoE может быть выполнен за время, необходимое для одной симуляции. После завершения эти симуляции служат обучающими данными для модели ML в CONVERGE. Кроме того, пользователи могут обучать модель на экспериментальных данных, если они доступны, что позволяет выполнять оптимизацию с помощью ML без начального DoE.

После обучения модель может предсказывать взаимосвязь между переменными проектирования и соответствующими переменными отклика в любой точке пространства проектирования. Для этого используется метамодель — алгоритм, объединяющий выходные данные нескольких моделей ML для получения наилучшего возможного ответа.

Наконец, инструмент ML в CONVERGE предсказывает конфигурацию, оптимизирующую переменные отклика, которую пользователи затем могут смоделировать для подтверждения результатов. Полный процесс показан на схеме на рисунке 1.

Рисунок 1: Процесс оптимизации с помощью ML в CONVERGE.

Проверка модели

Наши инженеры начали с экспериментально проверенной конфигурации двигателя Caterpillar 3400 [2], называемой базовым случаем. Они исследовали три входных параметра: начало впрыска (SOI), продолжительность впрыска (DOI) и угол распыла сопла (NSA). Влияние каждого изменения оценивалось по воздействию на три переменные отклика: сажу, индикаторный удельный расход топлива (ISFC) и NOx, с использованием взвешенной функции пригодности, отражающей приоритеты оптимизации. В результате было создано пространство DoE из 100 случаев, которые были запущены параллельно на CONVERGE Horizon и завершены менее чем за день.

Рисунок 2: CAD-модель Caterpillar 3400.

Для проверки надежности модели ML ее прогнозы сравнивались с набором случаев моделирования, которые были намеренно исключены из DoE. Это позволило оценить точность и общую производительность модели. После этого случаи были включены в обучающий набор данных, что позволило модели учиться на дополнительных случаях.

На рисунке 2 показано сравнение выбросов, предсказанных моделью ML (ось y), и результатов CFD-симуляций (ось x). Диагональ каждого графика — это линия y = x, и любая точка, лежащая на диагонали, представляет математическое равенство между прогнозом ML и соответствующим CFD-моделированием. Как мы видим, точки группируются вдоль диагонали графика, что означает, что реализованная здесь модель ML точно предсказывает результаты заданной конфигурации.

Рисунок 3: Сравнение прогнозов выбросов модели ML и CFD-симуляций для (a) ISFC, (b) NOx и (c) сажи.

Сводка статистического анализа показана в таблице 1. Каждый прогноз достиг значения R больше 0,95, что указывает на то, что модель может объяснить более 95% вариаций результатов CFD для любой заданной конфигурации. Этот уровень точности особенно важен, поскольку функция пригодности в каждой точке не предсказывается моделью ML. Вместо этого она вычисляется из прогнозируемых значений переменных отклика. Таким образом, любая ошибка в этих прогнозах переносится в расчет. Сильное согласие между CFD и моделью ML дает уверенность в том, что оптимизация основана на надежных прогнозах, а не на статистическом шуме.

Таблица 1: Статистический анализ прогнозов модели ML и CFD-симуляций.

Поиск оптимальной точки

После подтверждения хорошей точности модели следующей задачей было определение оптимальных условий. Используя алгоритм оптимизации DiRECT [3], модель ML искала в пространстве проектирования конфигурацию двигателя, максимизирующую функцию пригодности. Каждая конфигурация может быть оценена с помощью модели ML за миллисекунды, что позволяет выполнить оптимизацию с 5000 итераций менее чем за минуту.

После определения оптимальной конфигурации была выполнена CFD-симуляция для проверки оптимальной конструкции. Прогнозы выбросов, полученные с помощью модели ML и CFD для базового и оптимального случаев, приведены в таблице 2, демонстрируя хорошее согласие. Оптимальная конструкция показывает улучшение топливной экономичности при одновременном снижении выбросов NOx и сажи, что подтверждает успешность алгоритма в определении более эффективной конфигурации двигателя.

Таблица 2: Сравнение значений переменных отклика по прогнозам ML и результатам CFD-симуляций для базовой и оптимальной конструкций дизельного двигателя.

Тем не менее, предсказание оптимума — лишь часть решения. Любая конструкция должна быть эффективной и в реальном мире, где небольшие отклонения, например, из-за производственных допусков, могут повлиять на характеристики. Чтобы оценить надежность оптимизированного двигателя, модель ML также использовалась для исследования того, как малые возмущения параметров проектирования влияют на прогнозируемые характеристики двигателя. Результаты этого исследования показаны на рисунке 3. Первые два столбца показывают вариации SOI и DOI соответственно, при этом аналогичные тенденции наблюдаются как в базовой, так и в оптимизированной конфигурациях, хотя оптимизированная конструкция имеет немного более крутой отклик, что говорит о ее большей чувствительности к изменениям переменных проектирования. Что более важно, оптимизированный случай стабильно ниже по всем измеряемым показателям.

Однако третий столбец на рисунке 3, вариации NSA, показывает совершенно иное поведение. Здесь обе конструкции находятся вблизи точки перегиба в откликах, хотя вариации направлены в противоположные стороны. Для базовой конфигурации увеличение NSA снижает ISFC и сажу, но увеличивает NOx. Напротив, оптимизированная конфигурация демонстрирует противоположную тенденцию. Тем не менее, в каждом случае оптимум ближе к точке перегиба в каждом отклике, что обеспечивает несколько лучшую общую стабильность к изменениям NSA.

Рисунок 4. Прогнозы ML для ISFC (сверху), NOx (в середине) и сажи (снизу) в диапазоне вариаций SOI (слева), DOI (в центре) и NSA (справа) от заданной точки проектирования.

Итог

Интерпретируя результаты оптимизационного исследования, наши инженеры определили улучшенную конструкцию для Caterpillar 3400, которая снизила выбросы NOx и сажи, одновременно улучшив топливную экономичность. Кроме того, оценив реакцию оптимизированной конструкции на малые возмущения трех входных параметров, они оценили надежность конструкции и ее чувствительность к реальным отклонениям (например, производственным допускам). И все это за долю вычислительного времени, необходимого для традиционных подходов к оптимизации!

Ссылки

[1] Стайн, М., «Свойства больших выборок при моделировании с использованием латинского гиперкуба», Technometrics, 29(2), 143-151, 1987. DOI: 10.1080/00401706.1987.10488205

[2] Монтгомери, Д.Т., «Исследование влияния параметров впрыска и EGR на выбросы и характеристики тяжелых дизельных двигателей», магистерская диссертация, Университет Висконсин-Мэдисон, Мэдисон, Висконсин, США, 1996.

[3] Джонс, Д.Р., Перттунен, К.Д., Стакман, Б.Е., «Липшицева оптимизация без константы Липшица», Журнал теории оптимизации и приложений, 79, 157-181, 1993. DOI: 10.1007/BF00941892

Часто задаваемые вопросы

1. Почему стоит использовать CONVERGE для оптимизации дизельных двигателей? CONVERGE точно моделирует физику сгорания, распыления и выбросов, предоставляя высокоточные данные, необходимые для обучения моделей машинного обучения для надежной оптимизации.

2. Как машинное обучение сокращает время оптимизации? Вместо итеративного запуска многочасовых CFD-симуляций для оценки оптимальности выбранных условий, модель ML обучается на данных CFD (или экспериментальных данных), а затем используется для прогнозирования характеристик двигателя для множества конфигураций менее чем за минуту.

3. Насколько точной была модель ML в исследовании Caterpillar 3400? Каждая переменная отклика в этом исследовании (ISFC, NOx, сажа) достигла R² выше 0,95, что указывает на то, что модель ML в CONVERGE объяснила более 95% вариаций результатов CFD.

4. Можно ли применять этот подход за пределами дизельных двигателей? Да. Оптимизация с помощью ML в CONVERGE может применяться к широкому кругу CFD-задач, включая двигатели, ветряные электростанции и другие сложные инженерные системы.

Свяжитесь с нами сегодня

Узнайте больше о том, как CONVERGE помогает быстро и точно решать ваши задачи CFD.

Устали создавать сетки?

Получить доступ к ресурсу

Пожалуйста, заполните информацию ниже, чтобы получить доступ к этому ресурсу.

Нажмите на ссылку ниже, чтобы получить доступ к запрашиваемому ресурсу.

Источник

Источник

Теги

• #CFD
• #MachineLearning
• #CONVERGE
• #КинетикаГорения

Источник: https://convergecfd.com/blog/intelligent-engine-optimization-using-machine-learning-and-cfd

#CFD #MachineLearning #CONVERGE #КинетикаГорения