DOI: https://doi.org/10.1016/j.fuel.2025.136736
تاريخ النشر: 2025-09-11
المؤلف: Marília Gabriela Justino Vaz وآخرون
الموضوع الرئيسي: تكنولوجيا محركات الاحتراق المتقدمة
نظرة عامة
تقدم البحث نهجًا قائمًا على البيانات باستخدام شبكة عصبية عميقة (DNN) للتنبؤ بخصائص الرش الحرجة—تحديدًا اختراق طرف الرش (STP) وزاوية مخروط الرش (SCA)—في حقن الديزل البحرية، والتي تعتبر أساسية لتحسين مرونة الوقود في أوضاع التشغيل ثنائية الوقود والديزل فقط. تم تدريب DNN على بيانات تجريبية من 27 تصميمًا للحقن عبر ظروف تشغيل مختلفة، مما أسفر عن نموذج قوي يحقق دقة بنسبة 95% على بيانات غير مرئية. تضمنت الميزات الرئيسية المدخلة ضغط الحقن، ضغط البيئة، مدة الحقن، ومعلمات هندسية متنوعة، حيث أظهر تحليل أهمية الميزات أن ضغط الحقن وعدد ثقوب الرش يؤثران بشكل كبير على سلوك الرش.
يؤكد الدراسة على قدرة DNN على تسهيل مرحلة التصميم المبكرة لحقن الديزل البحرية من خلال تمكين الاستكشاف السريع لمساحة التصميم مع معالجة التعقيدات المرتبطة بعدد كبير من الميزات المدخلة وبيانات تجريبية محدودة. لقد خففت بنية DNN، جنبًا إلى جنب مع تقنيات التنظيم، من الإفراط في التكيف، مما يضمن تعميمًا موثوقًا. بشكل عام، لا يعزز هذا النموذج كفاءة عملية تصميم الحقن فحسب، بل يسرع أيضًا من مراحل التحسين والتحقق، مما يسهم في تحسين الأداء في أنظمة الطاقة البحرية.
مقدمة
تسلط المقدمة الضوء على هيمنة محركات الديزل في القطاع البحري، والتي تعزى إلى سلامتها من الحرائق ومرونة الوقود، مما يسمح بالتشغيل مع أنواع مختلفة من الوقود المشتق من البترول. ومع ذلك، تساهم هذه الوقود بشكل كبير في الانبعاثات العالمية، مما يثير القلق بشأن جودة الهواء وصحة الإنسان بسبب الجسيمات الضارة وأكاسيد النيتروجين. للتخفيف من هذه القضايا، يقترح البحث إعادة تقييم اختيار الوقود وأنظمة الحقن، مع التأكيد على إمكانية استخدام البيوديزيل كبديل أنظف، على الرغم من التحديات مثل التكلفة وزيادة انبعاثات NOx. تم اقتراح محركات الاحتراق الداخلي ثنائية الوقود (DFICE) كحل، مما يمكّن من الانتقال بين الوقود التقليدي والبيئي مع الحفاظ على الكفاءة.
تناقش هذه الفقرة أيضًا تعقيدات أنظمة حقن الوقود في DFICE، خاصة التوازن بين بساطة النظام والأداء عند استخدام حقن فردية. كما تؤكد على أهمية فهم هندسة الفوهة وديناميات التدفق لتحسين خصائص الرش، والتي تعتبر حاسمة لكفاءة الاحتراق والانبعاثات. تستعرض المقدمة أيضًا مختلف أساليب النمذجة للتنبؤ باختراق طرف الرش (STP) وزاوية مخروط الرش (SCA)، بما في ذلك الارتباطات التجريبية، والنماذج شبه التجريبية، والديناميكا الهوائية الحاسوبية (CFD). تم الإشارة إلى التقدمات الأخيرة في تقنيات التعلم الآلي (ML) لقدرتها على تعزيز دقة التنبؤ وتحسين تصميم الحقن، على الرغم من أن معظم النماذج الحالية محدودة بتصاميم حقن معينة ومعلمات هندسية.
طرق
في هذه الدراسة، تم الحصول على بيانات تجريبية على مدار العقد الماضي من تكوينات اختبار مختلفة، مع التركيز بشكل خاص على التصاميم التسلسلية والنماذج الأولية من Woodward L’Orange. تم جمع البيانات باستخدام طرق بصرية، ويتم تلخيصها في الفقرات الفرعية 4.1 إلى 4.3، موضحة الإعداد البصري، وتقنيات معالجة الصور، وظروف التشغيل لقياسات السائل إلى الغاز.
تضمنت التكوين التجريبي إجراء قياسات بصرية لانتشار الرش داخل غرفة حجم ثابت مكبلة (CVC) بسعة 34 لتر. تم تصميم هذه الغرفة، المجهزة بثلاث نوافذ بصرية من السيليكا المنصهرة (200 مم × 200 مم)، لتحمل ضغوط تصل إلى 60 بار وتم الحفاظ عليها عند درجة حرارة ثابتة تبلغ 293.15 كلفن. استخدمت التشخيصات البصرية تقنيات تشتت مية وإضاءة خلفية منتشرة (DBI) لتصور وقياس سلوك الرش. تم مزامنة كاميرا Photron FASTCAM SA5 عالية السرعة، القادرة على التقاط الصور بسرعة تصل إلى 775,000 إطار في الثانية، مع نظام ECU مصمم خصيصًا لضمان دقة زمنية دقيقة أثناء عملية الحقن. سمح هذا التكوين البصري القابل للتكيف بتحليل شامل لديناميات الرش، مما يوفر بيانات حاسمة للتحقق من النماذج الحاسوبية وتحسين تصميمات الحقن لتطبيقات محركات الديزل البحرية.
نتائج
تقدم فقرة “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من التجارب التي أجريت. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج المستهدفة، مع حساب أحجام التأثير لتكون معتدلة إلى كبيرة، مما يشير إلى الأهمية العملية. توضح التمثيلات البيانية للبيانات هذه الاتجاهات، مما يعرض الفروق بين المجموعات الضابطة والتجريبية عبر مقاييس مختلفة. بشكل عام، تسهم النتائج في الجسم المعرفي القائم وتقترح آثارًا محتملة للبحوث والتطبيقات المستقبلية في هذا المجال.
مناقشة
في هذه الفقرة، تركز المناقشة على التحديات والتقدمات في نمذجة خصائص الرش لحقن الديزل البحرية باستخدام تقنيات التعلم الآلي (ML)، وخاصة الشبكات العصبية العميقة (DNNs). يبرز المؤلفون تعقيد تكييف تصميمات الحقن مع ظروف التشغيل وأنواع الوقود المتنوعة، مما يعقد عملية النمذجة بسبب زيادة الأبعاد والعلاقات غير الخطية بين الميزات. على الرغم من المرونة التي تقدمها ML لتنبؤ الخصائص الكلية للرش مثل اختراق طرف الرش (STP) وزاوية مخروط الرش (SCA)، يمكن أن يؤدي العدد الكبير من المعلمات المدخلة والاحتمالية للتداخل بين الميزات الهندسية إلى عدم استقرار النماذج. تهدف الدراسة إلى تطوير DNN مصممة خصيصًا لحقن الديزل البحرية، مستفيدة من بيانات تجريبية عالية الجودة لتعزيز موثوقية التنبؤ خلال مرحلة ما قبل التطوير لتصميم الحقن.
تم تصميم بنية DNN لربط 14 ميزة مدخلة—بما في ذلك ظروف التشغيل والمعلمات الهندسية—بالناتج المرغوب (STP وSCA). يستخدم النموذج هيكل شبكة عصبية متعددة الطبقات مع التركيز على تحسين عدد الطبقات المخفية لتحقيق توازن بين الدقة وكفاءة الحساب. تم تنفيذ تقنيات التنظيم، مثل الإسقاط والتوقف المبكر، للتخفيف من الإفراط في التكيف، خاصة بالنظر إلى حجم مجموعة البيانات المحدودة. يؤكد المؤلفون على أهمية جودة البيانات واختيار الميزات، مشيرين إلى أن دمج البيانات التاريخية من مصادر متنوعة يطرح تحديات كبيرة من حيث التوحيد والملاءمة. بشكل عام، تسهم هذه الأبحاث في تطوير أداة تنبؤية تعزز عملية التصميم لحقن الديزل البحرية، مقدمة بديلًا أكثر كفاءة للنماذج شبه التجريبية الحالية.
DOI: https://doi.org/10.1016/j.fuel.2025.136736
Publication Date: 2025-09-11
Author(s): Marília Gabriela Justino Vaz et al.
Primary Topic: Advanced Combustion Engine Technologies
Overview
The research presents a data-driven approach utilizing a deep neural network (DNN) to predict critical spray characteristics—specifically spray tip penetration (STP) and spray cone angle (SCA)—in marine diesel injectors, which are essential for optimizing fuel flexibility in dual-fuel and Diesel-only operational modes. The DNN was trained on experimental data from 27 injector designs across various operational conditions, resulting in a robust model that achieves 95% accuracy on unseen data. Key input features included injection pressure, ambient pressure, injection duration, and various geometrical parameters, with feature importance analysis revealing that injection pressure and the number of spray holes significantly influence spray behavior.
The study emphasizes the DNN’s capability to facilitate the early design phase of marine injectors by enabling rapid exploration of design space while addressing the complexities associated with a large number of input features and limited experimental data. The architecture of the DNN, along with regularization techniques, effectively mitigated overfitting, ensuring reliable generalization. Overall, this model not only enhances the efficiency of the injector design process but also accelerates the optimization and validation phases, ultimately contributing to improved performance in marine powertrains.
Introduction
The introduction highlights the dominance of diesel engines in the marine sector, attributed to their fire safety and fuel flexibility, allowing operation with various petroleum-derived fuels. However, these fuels significantly contribute to global emissions, raising concerns about air quality and human health due to harmful particulate matter and nitrogen oxides. To mitigate these issues, the paper suggests reevaluating fuel selection and injection systems, emphasizing the potential of biodiesel as a cleaner alternative, despite challenges such as cost and increased NOx emissions. Dual-Fuel Internal Combustion Engines (DFICE) are proposed as a solution, enabling transitions between traditional and eco-friendly fuels while maintaining efficiency.
The section further discusses the complexities of fuel injection systems in DFICE, particularly the trade-offs between system simplicity and performance when using single injectors. It underscores the importance of understanding nozzle geometry and flow dynamics for optimizing spray characteristics, which are crucial for combustion efficiency and emissions. The introduction also reviews various modeling approaches for predicting spray tip penetration (STP) and spray cone angle (SCA), including empirical correlations, semi-empirical models, and computational fluid dynamics (CFD). Recent advancements in machine learning (ML) techniques are noted for their potential to enhance prediction accuracy and optimize injector design, although most existing models are limited to specific injector designs and geometrical parameters.
Methods
In this study, experimental data were acquired over the past decade from various testing configurations, specifically focusing on serial and prototype designs from Woodward L’Orange. The data, which were collected using optical methods, are summarized in subsections 4.1 to 4.3, detailing the optical setup, image processing techniques, and operational conditions for liquid-to-gas measurements.
The experimental configuration involved conducting spray-propagation optical measurements within a sealed cubic Constant Volume Chamber (CVC) with a capacity of 34 L. This chamber, equipped with three fused silica optical windows (200 mm x 200 mm), was designed to withstand pressures up to 60 bar and maintained at a constant temperature of 293.15 K. The optical diagnostics utilized Mie-scattering and Diffuse-Backlight Illumination (DBI) techniques for visualizing and quantifying spray behavior. A high-speed Photron FASTCAM SA5 camera, capable of capturing images at up to 775,000 frames per second, was synchronized with a custom-engineered ECU system to ensure precise temporal resolution during the injection process. This adaptable optical configuration allowed for comprehensive analysis of spray dynamics, providing critical data for validating computational models and optimizing injector designs for marine diesel engine applications.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experiments conducted. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the target outcomes, with effect sizes calculated to be moderate to large, indicating practical relevance. Graphical representations of the data further illustrate these trends, showcasing the differences between control and experimental groups across various metrics. Overall, the findings contribute to the existing body of knowledge and suggest potential implications for future research and applications in the field.
Discussion
In this section, the discussion centers on the challenges and advancements in modeling spray characteristics for marine diesel injectors using machine learning (ML) techniques, particularly deep neural networks (DNNs). The authors highlight the complexity of adapting injector designs to varying operational conditions and fuel types, which complicates the modeling process due to increased dimensionality and non-linear relationships among features. Despite the flexibility offered by ML for predicting spray macroscopic characteristics such as spray tip penetration (STP) and spray cone angle (SCA), the high number of input parameters and potential collinearity among geometric features can destabilize models. The study aims to develop a DNN specifically tailored for marine diesel injectors, leveraging high-quality experimental data to enhance prediction reliability during the pre-development phase of injector design.
The DNN architecture is designed to correlate 14 input features—including operational conditions and geometric parameters—to the desired outputs (STP and SCA). The model employs a multilayer perceptron structure with a focus on optimizing the number of hidden layers to balance accuracy and computational efficiency. Regularization techniques, such as dropout and early stopping, are implemented to mitigate overfitting, particularly given the limited dataset size. The authors emphasize the importance of data quality and feature selection, noting that the integration of historical data from various sources poses significant challenges in terms of standardization and relevance. Overall, this research contributes to the development of a predictive tool that enhances the design process for marine injectors, offering a more efficient alternative to existing semi-empirical models.