A kutatói ösztöndíjas időszak alatt több olyan kutatási eredmény is született, melyek jelentősen előre mozdították a motortechnikai mesterséges intelligenciával kapcsolatos vizsgálatainkat. Az újabb szakirodalmi anyagok feltárásán túl több Python és Matlab algoritmus készült, valamint motorfékpadi vizsgálatok, laboratóriumi fejlesztések és egy publikáció is, melyet a XXX. Nemzetközi Gépészeti Konferencián mutattunk be. I. Módszertan kidolgozása motortechnikai MLP hálózatok költséghatékony betanításához A mesterséges intelligencia technológiák közül a többrétegű perceptronos (MLP) neurális hálózatokkal dolgozunk a kutatások során. Ezekben több paraméter is van, amit a hatékonyság növelése érdekében optimalizálni szükséges. Ezen kívül a motorfékpadokon felvett tanító adatsorok felbontása is optimalizálandó a pontosság és a felmerülő költségek függvényében. A motortechnikai MLP hálózatok költséghatékony betanítás módszertanának kidolgozása az egyik célunk, mely általánosan alkalmazható lehet motorfékpadi vizsgálatok során. A módszertan kidolgozására az alábbi lépéseket állítottuk fel: 1.Tanító, validációs és teszt minták arányai a felvett motorfékpadi mérésekből. 2./Értékelési folyamat optimalizációja. 3./Tanító algoritmus azonosítása. 4./Releváns bemenetek azonosítása. 5./ Helyes háló architektúra meghatározása. 6./Mérési adatsor felbontásának optimalizációja. A módszertan kidolgozásának első lépése egy nagy felbontású adatsor felvétele, mely segítségével el lehet kezdeni az optimalizációkat és a módszertan kidolgozását. II. XXX. Nemzetközi Gépészeti Konferenciára készült munka Az MLP hálózatok predikciós képességének vizsgálata az első lépése a kutatási munkának. Ennek során a hálózatok paramétereit manuálisan optimalizáltuk be tapasztalati úton. A több bementtel és egy kimenettel rendelkező (MISO) MLP hálózatok predikciós képességeinek értékelésére egy olyan Python algoritmust készítettünk, ami a beoptimalizált modellt ismételt tanítással értékeli. A program megmutatja a tanítógörbéket, illetve a 0 és 1 közé skálázott adatokra az átlagos négyzetes eltérés gyökét, a skálázatlan adatokra pedig a négyzetes eltérés gyökét, az áltagos százalékos eltérést, a korrelációs együtthatót, a determinációs együtthatót, és a korrelációs diagrammot. Az itt elkészített programmal a hálózatok pontossága könnyen értékelhető és az eredmények egyszerűen bemásolhatók egy publikációba. III. Oximetilén-éter vizsgálata haszonjármű dízelmotorban A kutatásunk egyik fő célja egy mesterséges intelligencia alapú tüzelőanyag előtervező eszköz kifejlesztése. Ehhez számos különböző tüzelőanyag-keverékkel felvett adatsor szükséges. A keverékek fizikai és kémiai tulajdonságait, illetve a motor üzemállapotát bemenetként felhasználva olyan prediktív modellek készíthetőek, melyek segítségével más, nem vizsgált tüzelőanyagok hatása is megjósolható az égésfolyamatra és az emisszióra. Itt az első lépés a különböző keverékek hagyományos vizsgálata. Az ezekből nyert tapasztalatok alapján a tanítóadatsor létrehozásához szükséges mérések során alkalmazandó keverékarányok és más paraméterek is meghatározhatóak. Az első vizsgált anyag az Oximetilén-éter (OME3-5). Ezt 7, 15, 25 és 45%-os bekeverési aránnyal vizsgáltuk meg 1400 rpm fordulatszámon 0, 100, 250 és 400Nm terheléssel. A mérés során 11 féle HP-EGR szelepállást alkalmaztunk 0 és 100% között 10%-os lépésközzel. Az eredmények megfelelnek a szakirodalomban látottaknak. A NOx emisszió növekszik, a PM emisszió pedig csökken az OME arány növelésével. Ez jórészt az OME oxigéntartalmának köszönhető ami miatt javul az oxidáció. A magasabb keverékarányok a NOx és a PM emisszió közötti kompromisszumot is javítani tudják. A javuló oxidáció miatt az indikált hatásfok is növekszik, valamint az égési csúcshőmérséklet is. Az égésfolyamat maximális nyomásgradiense csökkenő tendenciát mutat a keverékarány növekedésének hatására. ugyanakkor az OME kis fajhője miatt a fajlagos tüzelőanyag fogyasztás megnövekszik.
Virt Márton
2022-05-17
Támogató: Robert Bosch Kft