纳米技术和LSTM机器学习算法在CI发动机中的先进燃料喷雾动态中,具有不同的碗几何形状

科学领域:

• * 燃烧科学 燃烧科学
• * 纳米技术的使用
• * 机器学习 * 机器学习

背景情况:

• *传统的压缩点火 (CI) 发动机在燃料原子化,燃烧效率和排放控制方面面临着挑战.
• *优化燃料喷雾动态对于提高CI发动机性能和可持续性至关重要.
• *不同的燃烧室几何结构对发动机性能和排放有重大影响.

研究的目的:

• * 研究纳米技术和长短记忆 (LSTM) 机器学习对CI发动机燃料喷雾动态的协同效应.
• * 模拟和预测主要喷雾参数,如透率,滴滴大小和蒸发率.
• * 评估不同活塞碗几何形状对发动机性能和排放的影响.

主要方法:

• *纳米颗粒集成到传统燃料中,以提高燃料性能.
• * LSTM机器学习模型的应用,用于分析和预测燃料喷雾行为.
• *使用Diesel-RK进行模拟,以验证燃烧室几何效应.
• *在相同的操作条件下对模拟结果的实验验证.

主要成果:

• *纳米粒子增强燃料与LSTM预测分析相结合,提高了燃烧性能并减少了污染物形成.
• * 在四元混合物中重新进入的碗形状显示,与传统的HCC碗相比,车热效率 (BTE) 提高了31.3%,车特定燃油消耗 (BSFC) 降低了8.65%.
• * 随着重新进入碗,观察到CO (90.16%),HC (59.95%) 和烟雾 (15.48%) 排放的显著减少,尽管NOx排放量更高.

结论:

• * 结合纳米技术和LSTM的跨学科方法为优化CI引擎提供了一个强大的框架.
• * 特定的活塞碗设计,如重新进入的配置文件,可以显著提高发动机效率和减少某些排放.
• *可能需要进一步的研究,以减轻观察到的氧化物排放量的增加,同时保持效率的提高.