• search hit 1 of 1
Back to Result List

Multi-objective optimization of stochastic engine models

Multi-kriterielle Optimierung von stochastischen Motormodellen

  • This thesis summarizes the author’s developments of combustion models and multi-objective optimization methods for gasoline and diesel engines. The combustion models belong to the family of zero-dimensional stochastic reactor models introduced in the 1990s to improve the prediction of emissions with detailed chemistry in partially stirred reactors. The first part introduces the fundamentals of the physical and chemical models describing the combustion process. As a novelty, k−ε turbulence models were implemented in the stochastic reactor model to predict the turbulent time and length scales in gasoline and diesel engines. This development allowed an improvement of the models for convective heat transfer, fuel evaporation, gas exchange across the valves, turbulent flame propagation and crevice flow, which depend on the turbulent time and length scales. In the second part, the multi-objective optimization platform for automatic training of the stochastic reactor model is presented. The optimization method considers multiple operatingThis thesis summarizes the author’s developments of combustion models and multi-objective optimization methods for gasoline and diesel engines. The combustion models belong to the family of zero-dimensional stochastic reactor models introduced in the 1990s to improve the prediction of emissions with detailed chemistry in partially stirred reactors. The first part introduces the fundamentals of the physical and chemical models describing the combustion process. As a novelty, k−ε turbulence models were implemented in the stochastic reactor model to predict the turbulent time and length scales in gasoline and diesel engines. This development allowed an improvement of the models for convective heat transfer, fuel evaporation, gas exchange across the valves, turbulent flame propagation and crevice flow, which depend on the turbulent time and length scales. In the second part, the multi-objective optimization platform for automatic training of the stochastic reactor model is presented. The optimization method considers multiple operating points to find a set of model parameters that predict performance and emissions over the entire engine map. The Non-domination Sorting Genetic Algorithm II is combined with the stochastic reactor model and response surface models to find the best Pareto front. Multi-criteria decision making is used to select the best designs from the Pareto front. Finally, the third part of this thesis deals with the validation of the stochastic reactor model and the multi-objective optimization platform. For this purpose, experiments of two single-cylinder research engines with spark ignition, one passenger car engine with compression ignition and one heavy duty engine with compression ignition are used. For the spark ignition engines, a set of model parameters was found that predicts well the power and emissions over the whole engine map. The calculated turbulent kinetic energy, dissipation, and angular momentum follow the trends of the three-dimensional computational fluid dynamic simulations to a good approximation for various operating points. For the two compression ignition engines, the prediction of combustion progress and nitrogen oxide emissions are in good agreement with the experiments. Larger discrepancies were found for the prediction of carbon monoxide and unburned hydrocarbon. Optimization of the soot model parameters improves the prediction of soot mass for operating points throughout the engine map.show moreshow less
  • Diese Arbeit fasst die Entwicklungen des Autors von Verbrennungsmodellen und multi-kriteriellen Optimierungsmethoden für Benzin- und Dieselmotoren zusammen. Die Verbrennungsmodelle gehören zur Familie der nulldimensionalen stochastischen Reaktormodelle, die in den 1990er Jahren eingeführt wurden, um die Vorhersage von Emissionen mit detaillierter Chemie in teilweise gerührten Reaktoren zu verbessern. Im ersten Teil werden die Grundlagen der physikalischen und chemischen Modelle zur Beschreibung des Verbrennungsprozesses vorgestellt. Als Neuheit wurden k-ε-Turbulenzmodelle in das stochastische Reaktormodell implementiert, um die turbulenten Zeit- und Längenskalen in Benzin- und Dieselmotoren vorherzusagen. Diese Entwicklung ermöglichte eine Verbesserung der Modelle für konvektive Wärmeübertragung, Kraftstoffverdampfung, Gasaustausch über die Ventile, turbulente Flammenausbreitung und Spaltströmung, die von den turbulenten Zeit- und Längenskalen abhängen. Im zweiten Teil wird die multi-kriterielle Optimierungsplattform für dasDiese Arbeit fasst die Entwicklungen des Autors von Verbrennungsmodellen und multi-kriteriellen Optimierungsmethoden für Benzin- und Dieselmotoren zusammen. Die Verbrennungsmodelle gehören zur Familie der nulldimensionalen stochastischen Reaktormodelle, die in den 1990er Jahren eingeführt wurden, um die Vorhersage von Emissionen mit detaillierter Chemie in teilweise gerührten Reaktoren zu verbessern. Im ersten Teil werden die Grundlagen der physikalischen und chemischen Modelle zur Beschreibung des Verbrennungsprozesses vorgestellt. Als Neuheit wurden k-ε-Turbulenzmodelle in das stochastische Reaktormodell implementiert, um die turbulenten Zeit- und Längenskalen in Benzin- und Dieselmotoren vorherzusagen. Diese Entwicklung ermöglichte eine Verbesserung der Modelle für konvektive Wärmeübertragung, Kraftstoffverdampfung, Gasaustausch über die Ventile, turbulente Flammenausbreitung und Spaltströmung, die von den turbulenten Zeit- und Längenskalen abhängen. Im zweiten Teil wird die multi-kriterielle Optimierungsplattform für das automatische Bedaten des stochastischen Reaktormodells vorgestellt. Die Optimierungsmethode berücksichtigt mehrere Betriebspunkte, um eine Reihe von Modellparametern zu finden, die Verbrennung und Emissionen über das gesamte Motorkennfeld vorhersagen. Der "Non-Domination Sorting Genetic Algorithm II" wird mit dem stochastischen Reaktormodell und Ersatzmodellen kombiniert, um die beste Pareto-Front zu finden. Zur Auswahl der besten Punkte aus der Pareto-Front wird eine multi-kriterielle Entscheidungsfindung eingesetzt. Der dritte Teil dieser Arbeit befasst sich schließlich mit der Validierung des stochastischen Reaktormodells und der multi-kriteriellen Optimierungsplattform. Zu diesem Zweck werden Experimente von zwei Einzylinder-Forschungsmotoren mit Fremdzündung, einem Pkw-Motor mit Selbstzündung und einem Schwerlastmotor mit Selbstzündung verwendet. Für die Fremdzündungsmotoren wurde ein Satz von Modellparametern gefunden, der die Verbrennung und die Emissionen über das gesamte Motorkennfeld gut vorhersagt. Die berechnete turbulente kinetische Energie, die Dissipation und der Drehimpuls folgen den Trends einer dreidimensionalen numerischen Strömungssimulationen in guter Näherung für verschiedene Betriebspunkte. Bei den beiden Selbstzündungsmotoren stimmen die Vorhersagen für den Verbrennungsfortschritt und die Stickoxidemissionen gut mit den Experimenten überein. Größere Abweichungen wurden bei der Vorhersage von Kohlenmonoxid und unverbranntem Kohlenwasserstoff festgestellt. Die Optimierung der Rußmodellparameter verbessert die Vorhersage der Rußmasse für Betriebspunkte im gesamten Motorkennfeld.show moreshow less

Download full text files

Export metadata

Additional Services

Search Google Scholar Stastistics
Metadaten
Author: Tim FrankenORCiD
URN:urn:nbn:de:kobv:co1-opus4-66335
DOI:https://doi.org/10.26127/BTUOpen-6633
Referee / Advisor:Prof. Dr.-Ing. Fabian MaußORCiD, Univ.-Prof. Dr.-Ing. Jakob AndertORCiD
Document Type:Doctoral thesis
Language:English
Year of Completion:2023
Date of final exam:2023/12/20
Release Date:2024/02/01
Tag:Emissionen; Multi-kriterielle Optimierung; Stochastisches Reaktormodell; Turbulenzmodellerierung; Verbrennungsmotor
Emissions; Internal combustion engine; Multi-objective optimization; Stochastic reactor model; Turbulence modelling
GND Keyword:Verbrennungsmotor; Abgasemission; Turbulenz; Stochastisches Modell; Optimierung
Institutes:Fakultät 3 Maschinenbau, Elektro- und Energiesysteme / FG Thermodynamik / Thermische Verfahrenstechnik
Licence (German):Creative Commons - CC BY - Namensnennung 4.0 International
Einverstanden ✔
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.