À medida que o mundo se move em direção aos veículos elétricos, veículos grandes, como caminhões de longa distância, estão ficando para trás. O motivo: é um verdadeiro desafio converter seus motores para funcionar com eletricidade.
Pesquisadores do Instituto de Tecnologia de Illinois podem ter encontrado uma solução. Liderada por Carrie Hall, Professora Associada de Engenharia Mecânica e Aeroespacial, a equipe está usando aprendizado de máquina e modelagem computacional para ajudar na transição de grandes motores a diesel para funcionar com combustíveis alternativos.
Combustíveis alternativos podem ser uma opção para motores a diesel tradicionais, mas a conversão não é um procedimento simples. Os motores são projetados com um combustível específico em mente, e simplesmente trocar um combustível por outro não funcionará.
É aí que o aprendizado de máquina e a modelagem podem ajudar. Hall criou um modelo de computador que pode ajudar a converter motores a diesel para funcionar com um combustível diferente com uma simples atualização de software.
O fator chave é como o combustível é inflamado, o que não é fácil de medir de forma barata dentro de um cilindro do motor. O modelo de Hall extrai dados de sensores mais simples e baratos colocados fora do cilindro onde ocorre a combustão para diagnosticar o processo de ignição.
Devido à natureza da reação, um modelo que simplesmente realiza cálculos multidimensionais de dinâmica de fluidos não é suficiente. Isso porque, para que o modelo seja útil para o funcionamento do motor, ele precisa rodar em tempo real e antecipar reações de ignição que podem ocorrer milhares de vezes por minuto.
“Nossos modelos são usados para fornecer algum feedback do sistema”, disse Hall. “Entender o tempo de [ignição do combustível] nos dá uma ideia de como ele estava ligado a algo como injeção de combustível, que podemos querer ajustar com base nesse feedback”.
Treinando os motores
Os modelos escolhidos por alguns designers de controle de motor usam técnicas de aprendizado de máquina ou armazenam grandes tabelas de dados para reduzir cálculos, para trabalhar mais rápido. Alguns modelos usam redes neurais para modelar a combustão. Mas de acordo com Hall, “o problema é que então é apenas uma caixa preta, e você realmente não entende o que está acontecendo por baixo dela, o que é um desafio para o controle, porque se você estiver errado, você pode ter algo que dá muito errado. ”
Hall adotou uma abordagem diferente, no entanto. Os modelos de sua equipe são baseados na física e na química subjacentes do processo, mesmo que seja muito complexo. O modelo da equipe usou a versão complicada dos cálculos como ponto de partida e procurou maneiras de gerar equações que pudessem ser resolvidas mais rapidamente, mantendo os padrões da indústria para precisão nos modelos de controle.
“Tentamos capturar todos os efeitos subjacentes, mesmo que de uma maneira mais detalhada do que sabemos que realmente poderemos usar para controle em tempo real, e deixamos isso ser nosso ponto de referência”, disse Hall . “Em seguida, simplificamos usando coisas como redes neurais estrategicamente, mas mantemos essa estrutura geral para entender o que cada peça significa e o que está realmente fazendo lá dentro.”
Como resultado, o modelo de Hall é mais adaptável do que uma abordagem de aprendizado de máquina puro. Ao modelar o uso de um novo combustível, o modelo de Hall pode simplesmente atualizar alguns parâmetros que correspondem às propriedades mensuráveis do combustível. Por outro lado, um modelo baseado em uma abordagem de aprendizado de máquina puro precisaria ser treinado novamente do zero.
E como é basicamente uma atualização de software, os usuários de veículos podem inserir a atualização no software de seus motores a um custo muito menor sem precisar alterar o hardware do veículo.
Hall já aplicou seu modelo como uma potencial solução intermediária para mover caminhões com motor diesel para gasolina. “Há uma expectativa de que, com os veículos elétricos sendo mais comuns para carros de passeio nos Estados Unidos, haverá muita gasolina extra que não será usada”, disse Hall. “Essa gasolina pode ser usada em veículos mais pesados.” Eventualmente, o objetivo de Hall é tornar os motores inteligentes o suficiente para usar uma variedade de combustíveis – incluindo aqueles que são neutros em carbono ou carbono-negativos.
O modelo de Hall, desenvolvido em colaboração com o Argonne National Laboratory, Navistar e Caterpillar, visa ajudar as empresas a entender o processo de combustão subjacente – e auxiliá-las no projeto de motores para usar combustíveis diferentes do diesel.
Os caminhões pesados respondem por cerca de um quarto do consumo de energia dos veículos rodoviários nos EUA, embora representem apenas cerca de 1% dos veículos nas estradas. Permitir que esses veículos façam a transição do diesel promete ter um impacto significativo nas emissões. O modelo Hall pode ajudar bastante na transição para uma frota menos poluente, para saber mais leia a matéria no site.
Para continuar por dentro das principais notícias do mundo da indústria acesse o nosso site.
