DOI: https://doi.org/10.64808/engineeringperspective.1782349
تاريخ النشر: 2026-02-05
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: تكنولوجيا محركات الاحتراق المتقدمة
نظرة عامة
تناقش ورقة البحث تطبيق خوارزميات التعلم الآلي، وبشكل خاص خوارزمية AdaBoost وطرق الشجرة، للتنبؤ بمقاييس الأداء لمحركات الاشتعال بالضغط المتجانس (HCCI). تم إنشاء مجموعة بيانات تتكون من 805 إدخالات من خلال تغيير قيمة لامدا (λ) في محرك HCCI أحادي الأسطوانة (Ricardo Hydra) وقياس الأداء عبر سرعات محرك مختلفة. كانت الدراسة تهدف إلى التنبؤ بالمتغيرات الناتجة مثل الضغط الفعال المتوسط المعلن (IMEP)، وعزم الدوران الفعال، وكفاءة الحرارة المعلنة، ومعامل التباين للـ IMEP (COVimep) بناءً على المعلمات المدخلة بما في ذلك نسبة الضغط، ورقم الأوكتان البحثي (RON)، ودرجة حرارة الهواء الداخل، وسرعة المحرك، وλ.
كشفت النتائج أن خوارزمية AdaBoost تفوقت على غيرها من حيث دقة التنبؤ، حيث حققت قيمة مقياس R قدرها $9.57 \times 10^{-1}$ وأظهرت أدنى معدلات خطأ عبر مقاييس مختلفة: متوسط الخطأ التربيعي (MSE) قدره $2.89 \times 10^{-4}$، وجذر متوسط الخطأ التربيعي (RMSE) قدره $1.70 \times 10^{-2}$، ومتوسط الخطأ المطلق (MAE) قدره $1.30 \times 10^{-2}$، ومتوسط النسبة المئوية المطلقة للخطأ (MAPE) قدره $4.10 \times 10^{-2}$. تستنتج الدراسة أن التنبؤات الدقيقة يمكن أن تقلل بشكل كبير من التكاليف على الشركات المصنعة وتسريع تطوير تصميمات محركات جديدة. يُقترح البحث المستقبلي لتوسيع مجموعة البيانات واستكشاف خوارزميات تعلم آلي إضافية للتنبؤ بمؤشرات ميل الخبط في محركات HCCI.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التركيز المتزايد على ممارسات الطاقة المستدامة وتقليل التلوث البيئي، لا سيما في سياق إدارة موارد الطاقة. يتم تحسين محركات الاحتراق الداخلي، المستخدمة على نطاق واسع في النقل وتوليد الكهرباء، من أجل الكفاءة والتوافق مع الوقود البديل. من بين التطورات، اكتسبت محركات الاشتعال بالضغط المتجانس (HCCI) اهتمامًا بسبب كفاءتها الحرارية الفائقة وانبعاثاتها المنخفضة مقارنة بمحركات الديزل والبنزين التقليدية. تقدم عملية الاحتراق الفريدة في محركات HCCI، التي تعتمد على الاشتعال الذاتي لخلطة الهواء والوقود المتجانسة، تحديات في تنظيم توقيت الاشتعال وتقدم الاحتراق، والتي تحكمها بشكل أساسي الحركيات الكيميائية.
تتناول الدراسة قيود محركات HCCI من خلال استكشاف معلمات تشغيلية مختلفة، مثل نسبة الضغط، ورقم الأوكتان البحثي (RON)، ودرجة حرارة الهواء الداخل، وسرعة المحرك، ولامدا (λ)، لتقييم تأثيراتها على مقاييس الأداء مثل الضغط الفعال المتوسط المعلن (IMEP) ومعامل التباين للـ IMEP (COVimep). من الجدير بالذكر أن البحث يستخدم تقنيات التعلم الآلي، وبشكل خاص خوارزمية AdaBoost، للتنبؤ بمعلمات أداء المحرك بناءً على البيانات التجريبية التي تم جمعها من محرك HCCI أحادي الأسطوانة. تهدف هذه الطريقة إلى تعزيز دقة التنبؤ مع تقليل تكاليف الاختبار ومتطلبات الموارد، مما يمثل مساهمة جديدة في هذا المجال حيث لم تركز الدراسات السابقة على تطبيقات التعلم الآلي لتنبؤ أداء محركات HCCI.
طرق
في هذه الدراسة، تم استخدام محرك Ricardo Hydra أحادي الأسطوانة رباعي الأشواط للتحقيق في أداء محركات الاشتعال بالضغط المتجانس (HCCI). تضمنت الإعدادات التجريبية تشغيل المحرك تحت ظروف HCCI عن طريق تعطيل نظام الاشتعال والحفاظ على درجة حرارة الهواء الداخل ثابتة عند 80 °م باستخدام سخان متحكم فيه PID. تم اختبار المحرك باستخدام وقود الن-هيبتان عبر قيم لامدا مختلفة (1.6 إلى 2.8) وسرعات محرك (800 إلى 1600 دورة في الدقيقة)، بينما تم رفع درجة الحرارة داخل الأسطوانة عن طريق ضبط رفع الصمامات. شملت جمع البيانات قياسات ضغط داخل الأسطوانة باستخدام محول ضغط Kistler 6121 وتتبع موضع العمود المرفقي عبر مشفر. تم تقييم خصائص الانبعاثات باستخدام محلل Bosch BEA350، وتم تكرار جميع القياسات ثلاث مرات لضمان الموثوقية، مع تقييم الشكوك باستخدام طريقة الجذر التربيعي لمجموع المربعات.
شمل تحليل البيانات التجريبية 805 سجلات، حيث تم تطوير نماذج التنبؤ باستخدام خوارزميات AdaBoost والشجرة مع تقسيم 80% للتدريب و20% للاختبار. أشارت النتائج إلى أن خوارزمية AdaBoost تفوقت على خوارزمية الشجرة من حيث دقة التنبؤ، خاصة بالنسبة لمتغير الناتج كفاءة الحرارة المعلنة، الذي أظهر أدنى معدلات خطأ. على العكس، كان لمتغير الناتج عزم الدوران الفعال أعلى معدلات خطأ في التنبؤ. قامت الدراسة بت quantifying نجاح التنبؤ باستخدام مقاييس مثل متوسط الخطأ التربيعي (MSE)، وجذر متوسط الخطأ التربيعي (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط النسبة المئوية المطلقة للخطأ (MAPE)، حيث حققت خوارزمية AdaBoost دقة قصوى قدرها $0.957$ مقارنة بـ $0.926$ لخوارزمية الشجرة. تؤكد النتائج فعالية خوارزمية AdaBoost في تعزيز دقة التنبؤ لمقاييس أداء محركات HCCI.
مناقشة
في هذه الدراسة، تم إنشاء مجموعة بيانات تتكون من 805 سجلات من القياسات التي تم أخذها على مجموعة اختبار المحرك، باستخدام معلمات مدخلة مختلفة مثل نسبة الضغط، ورقم الأوكتان البحثي (RON)، ودرجة حرارة الهواء الداخل، وسرعة المحرك، وقيم لامدا. تضمنت المعلمات الناتجة عزم الدوران الفعال، الضغط الفعال المتوسط المعلن (IMEP)، كفاءة الحرارة المعلنة، ومعامل التباين للضغط الفعال المتوسط المعلن (COVimep). تؤكد الدراسة على أهمية التنبؤ بدقة بـ COVimep لتجنب ظروف الإخفاق في محركات الاشتعال بالضغط المتجانس (HCCI)، حيث يمكن أن يؤدي الاشتعال المتزامن إلى ارتفاعات سريعة في الضغط وخبط. استخدم نموذج التنبؤ خوارزميتين، C4.5 وAdaBoost، لتحليل العلاقات بين البيانات المدخلة والناتجة، مع تقييم الأداء باستخدام مقاييس مثل متوسط الخطأ المطلق (MAE)، ومتوسط الخطأ التربيعي (MSE)، ومعامل الارتباط بيرسون (R).
تشير النتائج إلى أن خوارزمية AdaBoost تفوقت على خوارزمية C4.5 في التنبؤ بـ IMEP وكفاءة الحرارة المعلنة، حيث حققت معامل ارتباط قدره 0.957 وأدنى معدلات خطأ عبر مقاييس مختلفة. تسهم هذه الدراسة في الأدبيات من خلال إظهار فعالية خوارزميات التعلم الآلي في التنبؤ بمعلمات أداء المحرك، خاصة في محركات HCCI. تشير النتائج إلى أن زيادة حجم مجموعة البيانات يمكن أن تعزز دقة التنبؤ بشكل أكبر، وسيركز البحث المستقبلي على التنبؤ بميل الخبط واستخدام إعدادات تجريبية مختلفة وخوارزميات تعلم لتحسين متانة النموذج.
DOI: https://doi.org/10.64808/engineeringperspective.1782349
Publication Date: 2026-02-05
Author(s): Zhenyun Du et al.
Primary Topic: Advanced Combustion Engine Technologies
Overview
The research paper discusses the application of machine learning algorithms, specifically AdaBoost and Tree methods, to predict performance metrics of Homogeneous Charge Compression Ignition (HCCI) engines. A dataset comprising 805 entries was generated by varying the lambda (λ) value in a single-cylinder HCCI engine (Ricardo Hydra) and measuring performance across different engine speeds. The study aimed to predict output variables such as Indicated Mean Effective Pressure (IMEP), Effective Torque, Indicated Thermal Efficiency, and Coefficient of Variation of IMEP (COVimep) based on input parameters including Compression Ratio, Research Octane Number (RON), Intake Air Temperature, Engine Speed, and λ.
The findings revealed that the AdaBoost algorithm outperformed others in terms of prediction accuracy, achieving an R metric value of $9.57 \times 10^{-1}$ and demonstrating the lowest error rates across various metrics: Mean Squared Error (MSE) of $2.89 \times 10^{-4}$, Root Mean Squared Error (RMSE) of $1.70 \times 10^{-2}$, Mean Absolute Error (MAE) of $1.30 \times 10^{-2}$, and Mean Absolute Percentage Error (MAPE) of $4.10 \times 10^{-2}$. The study concludes that accurate predictions can significantly reduce costs for manufacturers and expedite the development of new engine designs. Future research is proposed to expand the dataset and explore additional machine learning algorithms to predict knock tendency indicators in HCCI engines.
Introduction
The introduction of this research paper highlights the increasing focus on sustainable energy practices and the reduction of environmental pollution, particularly in the context of energy resource management. Internal combustion engines, widely used in transportation and electricity generation, are being optimized for efficiency and compatibility with alternative fuels. Among the advancements, Homogeneous Charge Compression Ignition (HCCI) engines have gained attention due to their superior thermal efficiency and reduced emissions compared to traditional diesel and gasoline engines. The unique combustion process in HCCI engines, which relies on auto-ignition of a uniformly mixed air-fuel charge, presents challenges in regulating ignition timing and combustion progression, primarily governed by chemical kinetics.
The study addresses the limitations of HCCI engines by exploring various operational parameters, such as Compression Ratio, Research Octane Number (RON), Intake Air Temperature, Engine Speed, and Lambda (λ), to assess their effects on performance metrics like Indicated Mean Effective Pressure (IMEP) and Coefficient of Variation of IMEP (COVimep). Notably, the research employs machine learning techniques, specifically the AdaBoost algorithm, to predict engine performance parameters based on experimental data collected from a single-cylinder HCCI engine. This approach aims to enhance predictive accuracy while minimizing testing costs and resource requirements, marking a novel contribution to the field as previous studies have not focused on machine learning applications for HCCI engine performance prediction.
Methods
In this study, a single-cylinder, four-stroke Ricardo Hydra engine was utilized to investigate Homogeneous Charge Compression Ignition (HCCI) engine performance. The experimental setup involved operating the engine under HCCI conditions by deactivating the ignition system and maintaining a stable intake air temperature of 80 °C using a PID-controlled heater. The engine was tested with n-heptane fuel across various lambda values (1.6 to 2.8) and engine speeds (800 to 1600 rpm), while in-cylinder temperature was elevated by adjusting valve lifts. Data collection included in-cylinder pressure measurements using a Kistler 6121 pressure transducer and crankshaft position tracking via an encoder. Emission characteristics were assessed with a Bosch BEA350 analyzer, and all measurements were repeated thrice for reliability, with uncertainties evaluated using the root-sum-square method.
The analysis of the experimental data involved 805 records, where prediction models were developed using AdaBoost and Tree algorithms with an 80% training and 20% testing split. Results indicated that the AdaBoost algorithm outperformed the Tree algorithm in terms of prediction accuracy, particularly for the Indicated thermal efficiency output parameter, which exhibited the lowest error rates. Conversely, the Effective torque output parameter had the highest misprediction rates. The study quantified prediction success using metrics such as Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE), with the AdaBoost algorithm achieving a maximum accuracy of $0.957$ compared to $0.926$ for the Tree algorithm. The findings underscore the effectiveness of the AdaBoost algorithm in enhancing prediction accuracy for HCCI engine performance metrics.
Discussion
In this study, a dataset comprising 805 records was created from measurements taken on a motor test set, utilizing various input parameters such as compression ratio, RON, intake air temperature, engine speed, and lambda values. The output parameters included effective torque, Indicated Mean Effective Pressure (IMEP), indicated thermal efficiency, and the Coefficient of Variation of Indicated Mean Effective Pressure (COVimep). The study emphasizes the importance of accurately predicting COVimep to avoid misfire conditions in Homogeneous Charge Compression Ignition (HCCI) engines, where simultaneous ignition can lead to rapid pressure rises and knocking. The prediction model employed two algorithms, C4.5 and AdaBoost, to analyze the relationships between input and output data, with performance evaluated using metrics such as Mean Absolute Error (MAE), Mean Squared Error (MSE), and the Pearson Correlation Coefficient (R).
The findings indicate that the AdaBoost algorithm outperformed the C4.5 algorithm in predicting IMEP and indicated thermal efficiency, achieving a correlation coefficient of 0.957 and the lowest error rates across various metrics. This study contributes to the literature by demonstrating the effectiveness of machine learning algorithms in predicting engine performance parameters, particularly in HCCI engines. The results suggest that increasing the dataset size could further enhance prediction accuracy, and future research will focus on predicting knock tendencies and employing different experimental setups and learning algorithms to improve model robustness.