Model for calculating compression ignition engine performance

• Autorzy: Brzozowski K. , Nowakowski J.

Warianty tytułu

PL

Model do wyznaczania parametrów pracy silnika o zapłonie samoczynnym

• Języki publikacji: EN PL

Abstrakty

EN

Optimising the performance of an internal combustion engine requires both empirical and theoretical work. The latter involves reasoning based on results yielded by mathematical models. This paper presents a computationally efficient model of the working cycle for a compression ignition engine. The model enables analysis of the working cycle of an engine with an electronically controlled common-rail type power supply and a controlled exhaust gas recirculation system. The model’s parameters are chosen in a two-stage identification process based on the results of the experiments. The first stage of identifying the parameters requires formulating and solving an appropriate dynamic optimisation problem for multiple discrete points describing the engine’s operation. To this end a genetic algorithm is used with an additional condition controlling the quality of the solution. Artificial neural networks are used for the second stage of identification. The paper shows an example of using the model to assess the influence of the kinetic combustion phase, which results from the way in which the injection process proceeds on the course of the working cycle. The accuracy of calculations with respect to basic parameters characterising the working cycle is also discussed.

PL

Doskonalenie parametrów pracy silnika spalinowego poprzez odpowiednie sterowanie cyklem roboczym wymaga stosowania zarówno prac o charakterze doświadczalnym jak i obliczeniowym. W tym drugim przypadku podstawą wnioskowania są wyniki uzyskiwane z modeli matematycznych. Artykuł przedstawia efektywny obliczeniowo model cyklu roboczego silnika o zapłonie samoczynnym. Model umożliwia analizę cyklu roboczego silnika z elektronicznie sterowanym układem zasilania typu common-rail oraz układem sterowanej recyrkulacji spalin. Parametry modelu dobrano w dwuetapowym procesie identyfikacji bazującym na wynikach badań stanowiskowych. Pierwszy etap identyfikacji parametrów wymagał sformułowania i rozwiązania odpowiedniego zadania optymalizacji dynamicznej dla wielu dyskretnych punktów pracy silnika. W tym celu zastosowano algorytm genetyczny z dodatkowym warunkiem kontroli jakości rozwiązania. W drugim etapie identyfikacji do uogólnienia wyników wykorzystano sztuczne sieci neuronowe. W pracy przedstawiono przykład zastosowania modelu w ocenie udziału fazy spalania kinetycznego wynikającej z realizacji przebiegu procesu wtrysku na przebieg cyklu roboczego oraz przedstawiono dokładność obliczeń w odniesieniu do podstawowych parametrów charakteryzujących cykl roboczy.

Słowa kluczowe

EN

compression ignition engine; identification; engine performance parameters

PL

silnik o zapłonie samoczynnym; identyfikacja; parametry pracy silnika

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2014
• Tom: Vol. 16, no. 3
• Strony: 407--414
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Brzozowski K.

• University of Bielsko-Biala Department of Transport and Computer Science ul. Willowa 43-309 Bielsko-Biała, Poland

autor

Nowakowski J.

• University of Bielsko-Biala Department of Combustion Engines and Vehicles ul. Willowa 43-309 Bielsko-Biała, Poland

Bibliografia

• 1. Atashkari K, Nariman-Zadeh N, Gölcü M, Khalkhali A, Jamali A. Modelling and multi-objective optimization of a variable valve-timing sparkignition engine using polynomial neural networks and evolutionary algorithms. Energy Conversion and Management 2007; 48: 1029-1041.
• 2. Directive 1999/96/EC of the European Parliament and of the Council of 13 December 1999. Official Journal of the European Communities 1999.
• 3. Gambarotta A, Lucchetti lng G. Control-oriented crank-angle based modeling of automotive engines. SAE Technical Paper 2011; 2011-24-0144.
• 4. Heywood JB. International combustion engine fundamentals. New York: Mc-Graw-Hill, 1988.
• 5. Hohenberg G. Advanced approaches for heat transfer calculations. SAE Technical Paper 1979; 790825.
• 6. Kesgin U. Genetic algorithm and artificial neural network for engine optimization of efficiency and NOx emission. Fuel 2004; 83: 885-895.
• 7. Ma F, Wang J, Wang Y, Wang Y, Zhong Z, Ding S. An investigation of optimum control of a spark ignition engine fueled by NG and hydrogen mixtures. International Journal of Hydrogen Energy 2008; 33: 7592-7606.
• 8. Michalewicz Z. Genetic Algorithms + Data Structures = Evolution Programs. 3rd ed. London: Springer, 1996.
• 9. Nowakowski J. Model of a CI engine's working cycle and its application to choice of control parameters. Bielsko-Biala: University Press (Dissertation in Polish), 2006.
• 10. Nowakowski J, Brzozowski K. Mathematical model for simulation of a working cycle of compression-ignition engine based on experimental measurements. In proceedings of FISITA 2010 World Automotive Congress 2010; 229: 1-8.
• 11. Pirker G, Chmela F, Wimmer A. Automated parameter determination for IC engine simulation models. SAE International Journal of Engines 2009; 2(1): 539-547.
• 12. Ponti F, Corti E, Serra G, De Cesare M. Common rail multi-jet diesel engine combustion model development for control purposes. SAE Technical Paper 2007; 2007-01-0383.
• 13. Radziszewski L, Kekez M. Application of a genetic-fuzzy system to diesel engine pressure modeling. The International Journal of Advanced Manufacturing Technology 2010; 46: 1-9.
• 14. Rezaei R, Eckert P, Seebode J, Behnk K. Zero-dimensional modeling of combustion and heat release rate in DI diesel engines. SAE International Journal of Engines 2012; 5(3): 874-885.
• 15. Saad C, Maroteaux F, Millet J, Aubertin F. Combustion modeling of a direct injection diesel engine using double Wiebe functions: application to HiL real-time simulations. SAE Technical Paper 2011; 2011-24-0143.
• 16. Savva N, Hountalas D. Detailed evaluation of a new semi-empirical multi-zone NOx model by application on various diesel engine configurations. SAE Technical Paper 2012; 2012-01-1156.
• 17. Sobieszczański M, Brzozowski K, Nowakowski J, Tekielak M. The impact of SI engine controlling parameters on the content of toxic components and smokiness of exhaust gases. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2008; 3: 53-61.
• 18. Thor M, Andersson I, McKelvey T. Parameterized diesel engine heat release modeling for combustion phasing analysis. SAE Technical Paper 2009; 2009-01-0368.
• 19. Togun NK, Baysec S. Genetic programming approach to predict torque and brake specific fuel consumption of a gasoline engine. Applied Energy 2010; 87: 3401-3408.