基于曲轴角度分辨热力学模型的火花点火发动机循环峰值热力学参数人工神经网络(ANN)代理模型推演

《Computers》:Impact of Neural Network Initialisation Seed and Architecture on Accuracy, Generalisation and Generative Consistency in Data-Driven Internal Combustion Engine Modelling Arturas Gulevskis, Redha Benhadj-Djilali and Konstantin Volkov

【字体: 大 中 小 】 时间:2026年03月18日 来源:Computers 5.2

编辑推荐:

  摘要:研究人员提出了一种基于曲轴角度分辨(crank-angle-resolved)零维/两区热力学气缸控制容积模型的代理建模方法,用于快速预测火花点火(SI, Spark-Ignition)发动机循环内的峰值热力学参数。该方法采用半经验Wiebe燃烧规律描述

  
摘要:研究人员提出了一种基于曲轴角度分辨(crank-angle-resolved)零维/两区热力学气缸控制容积模型的代理建模方法,用于快速预测火花点火(SI, Spark-Ignition)发动机循环内的峰值热力学参数。该方法采用半经验Wiebe燃烧规律描述质量燃燃分数(mass fraction burned, xb),并以能量守恒方程耦合壁面传热(Woschni型对流换热系数)、气体流入/流出焓流及窜气(blow-by)损失来积分气缸压力(p)、未燃区温度(Tu)与已燃区温度(Tb)。研究人员将发动机运行工况参数——当量比(?)、转速(RPM)、几何压缩比(r)及燃烧起始曲轴角(θSOB,经sin-cos编码消除角度周期性)作为人工神经网络(ANN, Artificial Neural Network)输入,将循环最大压力(PMaxP)、对应曲轴角(θ@MaxP)、最高未燃气体温度(MaxTu)及其对应曲轴角(θ@MaxTu)作为输出目标进行训练与验证。结果表明,所建ANN代理模型在保持与数值积分解高精度一致性的前提下,计算效率较传统数值迭代显著提升,适用于发动机热力学循环的实时仿真与控制策略优化。该研究验证了将物理基准(first-principle)热力学模型与数据驱动方法结合用于SI发动机峰值热力学状态预测的可靠性。
研究背景与意义
传统火花点火(SI, Spark-Ignition)发动机热力学循环的数值模拟通常依赖零维或单/两区热力学模型沿曲轴角(θ, crank angle)进行常微分方程组(ODE, Ordinary Differential Equation)数值积分,虽能较准确描述缸内压力(p)、温度(T)及累积指示功(W),但迭代计算成本高,难以满足实时控制或大规模参数扫描需求。现有经验关联式无法兼顾不同工况下燃烧相位与热力耦合的非线性特征。为此,研究人员以物理基零维/两区热力学模型生成高保真数据集,构建人工神经网络(ANN, Artificial Neural Network)代理模型,直接预测SI发动机单循环峰值热力学参数(最大爆发压力及其相位、未燃/已燃区最高温度及其相位),旨在兼顾精度与速度,为发动机控制系统标定及快速概念设计提供工具。该文发表于《Computers》。
主要关键技术方法
研究人员首先建立曲轴角分辨(dθ)的单缸SI发动机两区(Unburned/Burned Zone)热力学控制容积模型:以第一定律能量平衡引入燃烧放热率(由Wiebe半余弦函数定义的xb(θ)求导得到)、Woschni对流换热(Q?wall=h·A·(T-Tw))、进气/排气及窜气(blow-by, m?bb·hbb)焓流及p·dV体积功;状态向量x(θ)=[p(θ), Tu(θ), Tb(θ), W(θ), Qwall(θ), Qleak(θ)]T∈?6在两区燃烧阶段维度最大。操作参数向量u=[?, RPM, r, θSOB]T中θSOB(Start of Burn)经sin(θSOB)-cos(θSOB)编码消除周期跳变得uemb∈?5作为ANN输入;回归目标y=[PMaxP, θ@MaxP, MaxTu, θ@MaxTu]T∈?4。对宽范围工况运行热力学ODE获取训练/验证/测试集,采用前向反馈ANN训练,评估预测误差与计算耗时对比数值积分法。
研究结果
Governing Energy Balance(控制容积能量守恒)
研究人员推导气缸微元第一定律:dU/dt = Q?comb? Q?wall? p·dV/dt + m?in·hin? m?out·hout? m?bb·hbb,其中燃烧放热率Q?comb由xb(θ)对θ求导再乘燃料低热值得到,确认模型完整计入燃烧释放、壁面传热、PV功、气体交换焓流及窜气损失。
Mass Fraction Burned — Wiebe Function(已燃质量分数—Wiebe函数)
采用半余弦Wiebe规律:xb(θ)=0.5×[1?cos(π×(θ?θs)/θb)],θs为燃烧起始角(SOC, Start of Combustion),θb为燃烧持续角。其导数给出光滑燃烧放热率剖面,无需额外拟合参数,适用于SI发动机典型放热形态。
Wall Heat Transfer(壁面传热)
应用牛顿冷却定律Q?wall=h·A·(T?Tw),对流换热系数h可采用常数或由Woschni关联式计算,A随活塞位置即时更新,T为缸内平均气体温度或分区温度,Tw为壁温。
Crank-Angle-Resolved Dynamical Form(曲轴角分辨动力学形式)
将热力学ODE写为dx/dθ=F(x,u),θ为自变量替代时间t,通过数值积分获得全行程缸内状态轨迹。
State Vector Definition(状态向量定义)
两区燃烧期最大维度状态向量含6变量:缸压p(θ)、未燃区温Tu(θ)、已燃区温Tb(θ)、累积指示功W(θ)、累积壁传热量Qwall(θ)、累积窜气热损Qleak(θ);非燃烧期降为3~5变量,证实系统低维特性。
Operating Parameter Vector(操作参数向量)
u=[?, RPM, r, θSOB]T∈?4,经sin-cos编码扩展为uemb∈?5,消除曲轴角周期不连续,使ANN输入维数为5。
Regression Targets(回归目标量)
y=[PMaxP(Max. Cylinder Pressure), θ@MaxP(Crank Angle at Max. P), MaxTu(Peak Unburned Gas Temperature), θ@MaxTu(Crank Angle at Peak Tu)]T∈?4,即单循环四个峰值热力学指标。
讨论与结论
研究人员通过对比ANN预测值与热力学模型数值积分解得出结论:(1) 基于物理基零维/两区模型生成的数据可使ANN准确学习工况参数到峰值热力学状态的复杂非线性映射;(2) sin-cos编码曲轴角参数有效消除了角度周期性带来的回归不连续,提升泛化能力;(3) ANN代理模型预测峰值压力与温度的平均相对误差在可接受范围,且计算速度比数值积分快数个量级,适合嵌入发动机实时管理(EMS, Engine Management System)或作为设计空间探索的快速估算器;(4) 该方法框架可扩展至多区模型或更复杂燃烧规律。研究表明,结合第一原理热力学建模与数据驱动代理模型是SI发动机峰值热力学参数高效预测的可行途径。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号