Kandó Kálmán Doktori Iskola  

BME Közlekedés- és Járműmérnöki Kar, Gépjárműtechnológia Tanszék

Témavezető: Dr. Zöldy Máté

A mesterséges intelligencia tüzelőanyag-technikai alkalmazása

A kutatási téma néhány soros bemutatása

A modern társadalom mobilitásigénye drasztikus mértékben növekszik. Ennek fenntartható kiszolgálását csak új technológiákkal érhetjük el. Erre példa az elektrifikáció, amelynek terjedését könnyedén észrevehetjük az új személyautókon. Ugyanakkor ez az ágazat a mobilitásnak csak egyetlen szegmense, és bár erre az elektrifikáció kitűnő megoldást kínál, számos más mobilitási formára nem. A közúti szállítmányozás, a légi- és vízi közlekedés, valamint a nehézgépek esetén a folyékony energiahordozók várhatóan hosszútávon is az egyetlen reális technológiai megoldásnak számítanak számos előnyük miatt. Ezért olyan új, ún. „fejlett tüzelőanyagok” kifejlesztésére van szükség, amelyeknek használata az előállítás módjából és az összetételből fakadóan fenntartható mértékű környezetterheléssel jár. Az új vegyületek és keverékek tervezésekor gyakran bonyolult fizikai és kémiai szimulációk, illetve drága vegyületekkel végzett tesztek sokaságára van szükség. Ezek a költséges és időigényes folyamatok lassítják a fejlett tüzelőanyagok piacképessé válását. Ahhoz, hogy javítsuk a fejlesztések költség- és időhatékonyságát, célszerű igénybe venni a mesterséges intelligencia (MI) nyújtotta lehetőségeket. Ennek segítségével a hagyományos fizikai és kémiai modelleket leválthatjuk olyan empirikus modellekre, amelyek egy betanulási folyamat után nagyon gyorsan képesek a szimulációkhoz hasonló pontosságú eredményeket szolgáltatni. Kutatásaim során olyan mesterségesintelligencia-alapú eljárásokat fejlesztek, amelyekkel az alkalmazott vegyületek tulajdonságai alapján gyorsan és olcsón előrejelezhetővé válnak a motor valós üzeménél legfontosabb, égésfolyamattal, emisszióval és gazdaságossággal kapcsolatos paraméterek.

A kutatóhely rövid bemutatása

Az AVL Hungary Kft. által támogatott ipari kooperációs doktori munkámat a 2023-ban átadott Innovatív Járműtechnológiák Kompetencia Központban végzem, amely a Bosch-BME együttműködés révén jött létre. Az eljárás fejlesztéséhez a BME Gépjárműtechnológia Tanszék motorfékpadjait használom. A motorhajtóanyagok viszkozitásának és sűrűségének méréséhez a BME Gépészmérnöki Kara biztosít számomra eszközöket, a tüzelőanyagok analitikai vizsgálatában pedig a Karlsruhei Műszaki Egyetem (KIT) Katalíziskutató és Technológiai Intézete nyújt segítséget. Ezen kívül az Intézet különböző üzemanyagokat is rendelkezésemre bocsát a motorfékpadi vizsgálatokhoz, így ez a nemzetközi kutatási együttműködés a munkám fontos eleme.

 

1.      ábra. Balra: Innovatív Járműtechnológiák Kompetencia Központ;
Jobbra: Látogatás a KIT Katalíziskutató és Technológiai Intézetében

A kutatás történetének, tágabb kontextusának bemutatása

A közlekedés technológiai diverzitása hozzájárul, hogy a mobilitás minden ágazata a számára legjobb megoldásokat használhassa. Számos területen a folyékony motorhajtóanyagok nyújtják az egyetlen reális lehetőséget az energiatárolásra [S1]. Még az akkumulátorkutatás vezető eredményei, mint például a KIT új lítium akkumulátora (560 Wh/kg = 2,01 MJ/kg) is csak a gázolaj energiasűrűségének (~43 MJ/kg) kb. huszadrészét éri el. Ez számos területen a versenyképesség romlásán túl akár a meghajtott gép alapfunkciójának ellátását is megakadályozná. Az elektromos energia nagy mennyiségének gyors bejuttatása pedig további technológiai korlátokat jelent. Rövid- és középtávon a fejlett tüzelőanyagok egyszerű megoldást kínálnak a klímasemleges közlekedés eléréséhez még személygépjárművek esetén is, hiszen a teljes elektromos átállás évtizedeken keresztül fog zajlani (különösen Európán kívül). A meglévő infrastruktúra és a helyes üzemanyag-összetétel használatával a már üzemben lévő járművek környezetterhelése is jelentősen csökkenthető. Hosszabb távon a tüzelőanyagok várhatóan csak a korábban említett, nagy energiasűrűséget megkívánó közlekedési ágazatokban maradnak dominánsak. Fejlett tüzelőanyagok már régóta léteznek, de ezek ára, illetve különböző technológiai hátrányaik miatt néhány kivételtől (pl. HVO) eltekintve még nem piacképesek. A kutatásomban készülő eljárás a piacralépési folyamatot – tehát a probléma valós megoldását gyorsítja.

A kutatás célja, a megválaszolandó kérdések.

Kutatásom célja, hogy létrehozzak egy MI-alapú tüzelőanyag-előtervező eszközt, amely a motor hasznos üzemi tartományán pontos predikciót képes adni a motor működéséről, és kidolgozzam az ehhez tartozó hatékonyságnövelő eljárásokat. Ezekkel az empirikus módszerekkel a jelenlegi fizikai és kémiai modellek legalább részben kiválthatók lesznek. Az MI gyors számításai lehetővé teszik a különböző vegyületek gyors hatásvizsgálatát és a kutatási irányok egyszerű meghatározását. Ugyanakkor az MI betanításához reprezentatív tanítóadatsor szükséges, amelynek a valós mérési adatokon alapuló előállítása költséges lehet. Amennyiben az adatsor vagy a modellalkotási folyamat helytelen, a tanítás lassú lesz, a kapott MI-modellek pedig pontatlanok. Ezért további célom, hogy kifejlesszek egy olyan módszertant is, amely támogatja a reprezentatív adatsorok gyors és költséghatékony elkészítését, valamint a gyorsan tanuló és pontos MI-modellek megalkotását.

Módszerek

Az MI által megoldandó predikciós problémát matematikailag egy több bemenetű és több kimenetű regressziós problémára lehet visszavezetni. A számos MI-technológia szakirodalmi elemzése után arra jutottam, hogy a többrétegű perceptronos (MLP) mesterséges neurális hálózatok (ANN) illeszkednek legjobban az elvárásaimhoz [1,2,3,4].

Az eszközhöz a tanító adatsort a tanszékünk Cummins-motorján állítom elő az eddigi munkáinkban ismertetett mérőrendszereinkkel és számítási módszereinkkel [S2, S3, 5]. Első lépésként az MLP-hálózatok motortechnikai adatokkal való betanításához kell megszerezni a tapasztalatokat. Ebben a lépésben a kutatási folyamatom hatékonyságát kell megalapozni, így különböző automatizált mérési, méréskiértékelési és MLP-hálózat-generáló eljárásokat kell készítenem, hogy az adataim “gombnyomásra” eredményekké váljanak. Ezen túlmenően a motorfékpadot is fel kell készíteni arra, hogy kis mennyiségű üzemanyagmintákkal is elvégezhetőek legyenek a szükséges mérések.

Ezután lehet megvalósítani a logikai sorrendben első célomat: megalkotni a módszertant a költséghatékony tanító adatsor készítéshez, illetve a gyors és pontos MI-modellalkotáshoz. Eddig a pontig nem szükséges speciális motorhajtóanyagok alkalmazása, kereskedelmi B7 dízellel elvégezhetőek a vizsgálatok.

A következő fázisban kerül sor a különböző vegyületekből alkotott üzemanyag-keverékek vizsgálatára. Fontos, hogy a kémiai összetétel pontosan ismert legyen, mivel ez is egy bemenete lesz a neurális hálóknak, így gázolaj keverőkomponensként sem használható. A komponensek tulajdonságait mérésekkel, míg a keverékek tulajdonságait a költséghatékonyság növelése végett keverési szabályokkal állapítom meg. Egyfajta „főpróbaként” MI-nélküli tüzelőanyag vizsgálatok elvégzése következik, hogy a motorfékpadi fejlesztések hatásosságát ellenőrizzem, illetve tapasztalatot nyerjek az alternatív tüzelőanyagok használatáról, motorikus hatásairól.

Miután adottak a feltételek a mérés biztonságos és precíz elvégzéséhez, elkészítem a tanító adatsort és az MI-modelleket a korábban megalkotott költséghatékonyságot és pontosságot garantáló módszertanom segítségével. A modellekből és a kiegészítő eljárásokból elkészítem a végleges eszközt, amely a motor hasznos üzemi tartományában képes lesz előrejelezni az égésfolyamattal, emisszióval és gazdaságossággal kapcsolatos paramétereket a tüzelőanyag tulajdonságaiból. Ezután validálom az eszköz működését úgy, hogy predikciót végzek vele új motorhajtóanyag-összetételek viselkedésére, majd ezeket valós mérési adatokkal hasonlítom össze.

Eddigi eredmények

Jelenleg a kutatásaim felénél tartok. A motorfékpadi fejlesztéseimmel hatékonyan elvégezhetőek a tüzelőanyag-vizsgálatok. Az eredeti napitartályos rendszer csőhálózatában kb. 3 liter puffer üzemanyagra volt szükség, ami a drága vegyületek miatt nem megengedhető mértékű veszteség. Ez az új kiegészítő tüzelőanyag-rendszeremmel kb. 0,3 literre csökkent. Készítettem egy mérési eljárást, amely kioptimalizált hosszúságú bemelegítési és munkapontmérési fázisokat tartalmaz, így további jelentős üzemanyag-mennyiség spórolható meg [S4]. Ehhez az eljáráshoz egy automatizált méréskiértékelő algoritmust, valamint egy sokféle beállítási lehetőséget tartalmazó MLP-hálózat-készítő programot fejlesztettem, amely garantálja a kutatási folyamat gyorsaságát.

Az MLP-hálózatok predikciós pontosságának vizsgálatához több kísérletet is elvégeztem [S5]. A manuális módszerek segítségével is viszonylag pontos modelleket hoztam létre, de a pontosságot és a futásidőt is javítani kell. A tapasztalatok alapján elkészítettem a módszertant, amely javítja a neurális hálózatok motortechnikai adatokkal történő betanításának idő- és költséghatékonyságát. Ehhez felvettem egy nagy felbontású adatsort, amely 6277 különböző fordulatszámú, nyomatékú és EGR-rátájú munkapontot tartalmazott [S4]. Ennek segítségével megvizsgáltam számos irodalmi módszert a hálózatok tanításához, pontosságuk értékeléséhez, valamint a releváns bemeneti paraméterek és hálóarchitektúra kiválasztásához. Az itt kapott eredmények alapján határoztam meg egy általános folyamatot, amely garantálja az MLP-hálózatok gyors és pontos betanítását erre a specifikus matematikai problémára. Ezen kívül készítettem egy módszert a motorfékpadi mérések minimálisan szükséges felbontásának meghatározásához is. Ehhez a nagy felbontású adatsort több kisebb felbontású adatsorra bontottam, és elemeztem az ezekből generált modelleket. Az így elkészített módszertancsomag nemcsak a pontosságot és a gyorsaságot garantálja, hanem a reprezentatív adatsor elkészítését is minimális üzemanyag használat mellett, tehát további költségek csökkenthetők a végleges eszköz elkészítése során.

A következő fázis a tüzelőanyag-tervező eszköz elkészítése lesz. A tapasztalatszerzés részeként több vizsgálatot végeztem különböző tüzelőanyagok felhasználásával. A fókuszt az oxigéntartalmú vegyületekre helyeztem, ugyanis dízelmotorok esetén ezek javítják a motor nyersemisszióját [S6]. A Karlsruhei Műszaki Egyetemtől (KIT) kapott oximetilén-éterrel (OME) [6,7,8,9] sikeresen reprodukáltam az irodalomban jellemző eredményeket [S3]. A vegyület problémája, hogy több jellemzője is messze áll a gázolajra vonatkozó EN590 szabványtól. Azért, hogy javítsak a tüzelőanyag tulajdonságain, 1-dekanol [10] alkalmazásával tudományos újdonságnak számító B7-OME-Dekanol hármaskeverékeket alkottam. A dekanol a várt módon javította a tüzelőanyag tulajdonságait [S7].

 

2.     Ábra. Dekanol és OME alkalmazása – Balra: NOx-PM kompromisszum-javulás; Jobbra: Effektív hatásfok-javulás

Jelenleg az utolsó fázis további előkészítéseként keverési szabályokkal és vegyülettulajdonság előrejelzésével foglalkozom. A KIT elvégezte 3 keverőkomponensem és 12 keverékem analízisét. Az itt nyert eredményekkel különböző keverési szabályok pontosságát tudom ellenőrizni. Ezen kívül a KIT-tel együttműködve egy MI-alapú vegyülettulajdonság-előrejelző algoritmuson dolgozom, amely a megtervezett vegyületek fizikai tulajdonságait képes előrejelezni a molekulaszerkezetből és más paraméterekből.

Várható impakt, további kutatás

A KIT-tel való nemzetközi együttműködés keretében további speciális vegyületek motorfékpadi tesztelését fogom elvégezni, illetve befejezzük a vegyülettulajdonság-előrejelző eszközt is. Ezután előállítom a végleges tanító adatsort sokféle keverék felhasználásával. Ebből elkészítem az MI-alapú előtervező eszközt, majd azt valós használat mellett validálom. Az elkészített módszerek és algoritmusok közvetlenül felhasználhatóak lesznek a fejlett tüzelőanyagok tervezésének több lépésénél. A vegyülettulajdonság-előrejelzés az új anyagok szintézise előtt, míg a tüzelőanyag-előtervező a hajtóanyag összetételének meghatározásakor hasznosítható. Az elkészített MI-alapú módszerek idő- és költséghatékonyság növelésük miatt előnyös helyettesítői vagy kiegészítői lehetnek a jelenleg használt fizikai és kémiai modelleknek.

Saját publikációk, hivatkozások, linkgyűjtemény

Kapcsolódó saját publikációk listája:

[S1] Virt M., Zöldy M. Folyékony hajtóanyagok fejlesztési tendenciái, Közlekedés és Mobilitás, Közlekedéstudományi Intézet, 2022, 1(1), 14.

[S2] Virt, M.; Granovitter, G.; Zöldy, M.; Bárdos, Á.; Nyerges, Á. Multipulse Ballistic Injection: A Novel Method for Improving Low-Temperature Combustion with Early Injection Timings. Energies 2021, 14, 3727. https://doi.org/10.3390/en14133727

[S3] Virt M., Arnold U. Investigating the Effects of Oxymethylene Ether in a Commercial Diesel Engine, Cognitive Sustainability, 2022, 1(3).

[S4] Virt, M. Zöldy, M. „Artificial Neural Network Based Prediction of Engine Combustion and Emissions from a High-Resolution Dataset”, 1st IEEE International Conference on Cognitive Mobility, 2022

[S5] Virt, M. Zöldy, M. „Mesterséges neurális hálózatok motortechnikai alkalmazása”, XXX. Nemzetközi Gépészeti Konferencia, 2022

[S6] Virt, M. Zöldy, M. „A tüzelőanyagból és a beszívott levegőből származó oxigénmennyiség hatásai”, XXXI. Nemzetközi Gépészeti Konferencia, 2023

[S7] Virt, M. Horváth, L. Zöldy, M. „Density and viscosity measurements for diesel-decanol-oxymethylene ether blends”. Angolan Mineral, Oil & Gas Journal, v. 4, n. 4, p. 1–5, 2023. április 8.

 

Linkgyűjtemény:

https://auto.bme.hu/

https://ivt.bme.hu/

 

Hivatkozások listája:

[1] I. Goodfellow, Y. Bengio, A. Courville: Deep Learning, MIT Press, 2016

[2] D. P. Kingma, J. L. Ba: ADAM: A Method for Stochastic Optimization. https://arxiv.org/abs/1412.6980, 2018

[3] T. Tieleman, G. Hinton: Lecture 6.5-rmsprop: Divide the gradient by a running average of its recent magnitude, COURSERA: Neural Networks for Machine Learning, 2012

[4] G. R. Kannan, K. R. Balasubramanian and R. Anand, „Artificial Neural Network Approach to Study the Effect of Injection Pressure and Timing on Diesel Engine Performance Fueled with Biodiesel,” International Journal of Automotive Technology, vol. 14, pp. 507-519, 2013.

[5] Nyerges, Á.; Zöldy, M. Verification and Comparison of Nine Exhaust Gas Recirculation Mass Flow Rate Estimation Methods. Sensors 2020, 20, 7291. https://doi.org/10.3390/s20247291

[6] Haltenort, P.,Hackbarth, K., Oestreich, D., Lautenschütz, L., Arnold, U., Sauer J. (2018). Heterogeneously catalyzed synthesis of oxymethylene dimethyl ethers (OME) from dimethyl ether and trioxane. Catalysis Communications. 109, 80–84. DOI: https://doi.org/10.1016/j.catcom.2018.02.013

[7] Pélerin, D., Gaukel, K., Härtl, M., Jacob, E., Wachtmeistera G. (2020). Potentials to simplify the engine system using the alternative diesel fuels oxymethylene ether OME1 and OME3−6 on a heavy-duty engine. Fuel. 259, 116231. DOI: https://doi.org/10.1016/j.fuel.2019.116231

[8] Wu, Y., Ays, I.., Geimer, M. (2019). Analysis and Preliminary Design of Oxymethylene ether (OME) Driven Mobile Machines.

[9] Omari, A., Heuser, B., Pischinger, S., Rüdinger, C. (2019). Potential of long-chain oxymethylene ether and oxymethylene ether-diesel blends for ultra-low emission engines. Applied Energy. 239, 1242–1249. DOI: https://doi.org/10.1016/j.apenergy.2019.02.035

[10] Nanthagopal, K.; Ashok, B.; Saravanan, B.; Ramesh Pathy, M.; Sahil, G.; Ramesh, A.; Nabi, M. N.; Rasul M. G., Study on decanol and Calophyllum Inophyllum biodiesel as ternary blends, Fuel, Volume 239, doi.org/10.1016/j.fuel.2018.11.037. (2019)