Modeling of the marine diesel engines with comparative machine learning methodologies
Gemi dizel motorların karşılaştırmalı makine öğrenmesi yöntemleri ile modellenmesi
- Tez No: 859865
- Danışmanlar: PROF. DR. OSMAN AZMİ ÖZSOYSAL
- Tez Türü: Doktora
- Konular: Gemi Mühendisliği, Makine Mühendisliği, Mekatronik Mühendisliği, Marine Engineering, Mechanical Engineering, Mechatronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Gemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Gemi İnşaatı ve Gemi Makineleri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 153
Özet
Artan çevresel beklentiler ve teknolojik gelişmeler ve elektrikli araçların endüstride kullanımının yaygınlaşmasının etkisiyle geleneksel dizel motorlar halen liderlik ettikleri denizcilik ve ağır yük endüstrilerinde de performans ve emisyon standartları çerçevesinde iyileştirmelere ihtiyaç duymaktadır. Sürekli gelişen performans beklentileri ve güncellenen emisyon standartlarına uyma zorunluluğu içten yanmalı motorların geliştirilmesi anlamında motor mekaniğinin ve performans ve emisyona etki eden faktörlerin düzgün tespitini gerektirmektedir. Günümüz teknolojisinde motor dinamiğinin performans ve emisyon kriterleri ile etkileşimi, yakıtın ve havanın karıştırıldıkları miktar, zaman ve bunlara etki edebilen çeşitli parametreler elektronik sistemler ile kontrol edilmekte ve bu kriterlerin sağlanmasında kontrolcü tasarımı da önemli rol oynamaktadır. Denizcilik endüstrisi için Uluslararası Denizcilik Örgütü'nün belirlediği emisyon kısıtları, azot oksit (NOx) ve sülfür oksit (SOx) özelinde yıllar geçtikçe artmaktadır. Bu kapsamda belirli periyotlarda güncellenen ve son versiyonu 2016 yılında açıklanan Denizlerin Gemilerden Kirlenmesini Önleme Uluslararası Sözleşmesi'nin ilgili ekinde, bir önceki yıl olan 2011'deki kısıtlamalara nazaran motor devir sayısına göre değişmekle beraber ortalama 4 kat kısıtlamaya gidilmiştir. Yeni üretilecek gemilerin direkt olarak tabi olduğu bu güncelleme var olan gemilere de azaltılmış NOx emisyonları için teşvikler sunmaktadır. Egzoz gazının silindir içine alınmasıyla yanma sıcaklığını ve oksidasyonu azaltan 'Egzoz gazı resirkülasyonu' ve egzoz gazına özel bir çözelti püskürtülmesiyle azot oksidi azot ve su buharına indirgeyen 'Seçici katalitik indirgeme' gibi NOx azaltma mekanizmalarının veya alternatif yakıtların (sıvılaştırılmış doğalgaz gibi) kullanılması veya ilgili araştırma geliştirme çalışmaları bu teşvikler kapsamındadır. NOx azaltıcı mekanizmalar NOx emisyonlarının azaltılmasına direkt etki eden ve bu kapsamda emisyon kısıtlarını sağlayabilmek için tercih edilen mekanizmalar olmakla birlikte, araştırma geliştirme, entegrasyon ve bakım faliyetleri düşünüldüğünde güncel operasyonun optimize kontrol algoritmaları ile iyileştirimesi bu anlamda kullanışlı bir alternatif olarak düşünülebilir. Emisyon kısıtlamalarını karşılamak için geliştirilen kontrolcülerin bir diğer avantajı, gemi işletmecilerinin ceza ödemekten kaçınmalarına yardımcı olması olarak düşünülmektedir. Emisyonlarla ilgili düzenlemelere uyum sağlamak, cezai yaptırımların yanı sıra itibar kaybı riski de taşıyacağından, emisyon iyileştirmeleri bu kapsamda da önem arz eden bir unsurdur. Performans kriteri olarak dizel motorun aynı gücü daha az yakıtla sağlaması veya yakıt tüketiminin azaltılması ön plana çıkmaktadır. Bu kriteri sağlamak için de elektronik kontrol sistemlerinin ve algortimalarının iyileştirilmesi önem arz eder. Daha iyi motor kontrolü, yakıt tüketiminin azaltılmasını, dolayısıyla işletme maliyetlerinin düşürülmesini sağlar. Ayrıca motor bileşenlerinin ömrünün uzamasının bakım maliyetlerinin de azalmasına katkı sağlayacağı düşünülmektedir. Dolayısıyla emisyonların azaltılması çevresel etkilerin minimize edilmesine, yakıt tüketiminin azaltılması da fosil yakıt kullanımının ve karbon ayak izinin düşmesine katkıda bulunrak gemi endüstrisinde sürdürülebilirlik çabalarının temelini oluşturur. Bu kapsamda geliştirilme ve optimize edilme faliyetleri devam eden kontrolcüler, bu prosesin önemli bir parçası konumundadır. Dizel motorun kontrolü temel olarak motorun hızı ve torkunun emisyon kısıtlamaları altında motoru optimum kondisyonda çalıştıracak şekilde ayarlanması şeklinde açıklanabilir. Bu operasyonda temel eyleyici olarak enjektörler, ray basınç valfi, egzoz gaz resirkülasyonu valfi, turboşarj valfi, sensör olarak atmosfer basınç ve sıcaklığı, hava debimetresi, giriş manifoldu hava basınç ve sıcaklığı, ray basıncı, soğutma suyu sıcaklığı, egzoz mekanizması basınç, sıcaklık ve emisyon sensörleri sıralanabilir. Enjektöler özelinde hem enerjilendirilme süreleri hem de enerjilendirilme başlangıç periyotları düşünüldüğünde saniyenin yüzde birine tekabül edecek yüksek hızlı ve çözünürlüklü işlem kabiliyeti gerekmektedir. Bu anlamda kontrolcülerin mikroişlemci yeteneklerinin yanında gerçek zamanlı test sisteminde sensör ve eyleyici konfigürasyonunun yönetilmesi, motorun nihai ürüne dönüşmeden önce tamamlanması gereken ve yatırım maliyeti, işlem kompleksliği ve zaman anlamında efor gerektiren önemli bir prosestir. Etkili kontrol algoritmalarının tasarlanması ve bu algoritmaların optimize edilmesi, gerçek bir motor veya test düzeneğinin sürekli kullanımının zaman alıcı ve maliyetli olduğu da göz önünde bulundurulduğunda, motorun fiziksel ve matematiksel olarak gerçeğe yakın bir şekilde bilgisayar ortamında modellenmesi gerekliliğini doğurmaktadır. Bu gereklilğin kabul eden endüstri, tasarım ve kalibrasyon sürecinin ayrılmaz bileşenleri olarak sanal test ortamlarına, simülasyonlara ve modellemeye giderek daha fazla yönelmektedir. Modelleme, motorun çeşitli prosesleri için momentum, ısı, kütle denklemleri, kimyasal reaksiyon denklemleri, fiziksel denklemler ve matematiksel hesaplamalar kullanılarak yapılabilir. Bununla birlikte tüm bu idealize edilmiş denklemler çok sayıda varsayıma ve basitleştirmeye ihtiyaç duyarlar. Bu tarz hesaplama yoğunluklu denklemler güvenilir bir simülasyon için önceden tanımlanması veya tahmin edilmesi gereken motora özgü birçok parametre gerektirir. Dolayısıyla bu denklemler bir noktada motorun doğrusal olmayan dinamiklerini yüksek oranda yansıtma konusunda eksik kalabilirler. Fiziksel kanunlara dayanan geleneksel modelleme yöntemlerine alternatif olarak, motorun gerçek test verilerinin belli oranda kullanıldığı haritalama metodları tercih edilmektedir. Bu metodlar motorun kritik parametrelerinin, önceden belirlenen rejimlerde toplanan gerçek datalar kullanılarak yansıtıldığı ve fiziksel kanunlara nazaran işlem karmaşıklığı ve lineer olmayan davranışları daha az olan metodlardır. Haritalama metodu da motorun tüm rejimleri için her veri noktasını kullanmanın işlem karmaşıklığını artıracağı düşünüldüğünde sınırlı operasyon koşullarında kullanışlı olarak kabul edilmektedir. Bu nedenle dizel motor gibi doğrusal olmayan dinamik bir davranışa sahip sistemleri modellemek için son dönemlerde verimli, hızlı, kestirim kabiliyeti yüksek olan veriye dayalı makine öğrenmesi metodları kullanılmaktadır. Makine öğrenmesi, bilgisayar sistemlerinin veriye dayalı deneyimlerden prosesi öğrenmesini sağlayan bir yöntemdir. Makine öğrenmesinin en yaygın temsilcisi olarak yapay sinir ağları, insan beyninin çalışma şeklini örnek alan, dışarıdan aldığı bilgiyi toplayıp değerlendiren, katmanlar halindeki nöronlardan geçiren ve yorumlayan, hatayı tespit edip optimum seviyede düzeltme yeteneğine sahip olan matematiksel öğrenme metodlarıdır. Geniş bir uygulama yelpazesinde kullanılmakta olan makine öğrenmesi yöntemleri, görüntü tanıma, doğal dil işleme, lineer olmayan sistem davranışlarının (örneğin motor) modellenmesi, tahmin ve karar verme gibi alanlarda verimli bir şekilde kullanılmaktadır. Gerçek motor üzerinden toplanan verilerin birbirleri arasında matematiksel veya istatistiksel bağ kurulması ile oluşturulan makine öğrenmesi yöntemleri esneklik ve gerçek verilere yakınlık anlamında geleneksel yöntemlere avantaj sağlamaktadır. Uygulanacak olan makine öğrenmesi yöntemi, veri sayısı niteliği, çeşitliliği karmaşıklığı ve modellenmesi istenen sisteme uyumluluğu gibi kriterlere ve kurulmak istenen mimariye göre farklılık gösterebilir. Bu anlamda modellenmek istenen sistem davranışını yansıtabilecek makine öğrenmesi yöntemine karar vermek, işlem karmaşıklığının, işlem süresinin ve hatalı tahminin önüne geçmek açısından önem taşımaktadır. Bu çalışma da literatürde bu anlamda değişiklik gösteren modelleme yöntemlerini inceleme ve birbirleriyle karşılaştırma amacını taşımaktadır. Genel bir değerlendirme olarak da değerlendirilebilecek olan bu çalışma, yapay sinir ağları, öğrenme makineleri ve destek vektör makineleri olmak üzere literatürde yaygın olarak kullanılan veri odaklı yöntemlerin kapsamlı bir incelemesini içermektedir. Bu içerikte yöntemlerin matematiksel ifadeleri, görsel karşılıkları ve kullanım avantajları detaylandırılmaktadır. Geleneksel yöntemlere ilaven, Exogenous girişli Doğrusal Olmayan Otomatik Gerileme (NARX), Exogenous girdili Otomatik Gerilemeli Entegre Hareketli Ortalama (ARIMAX) ve Otomatik Gerilemeli Hareketli Ortalamalı Regresyon (RegARMA) gibi dizel motor modellenmesinde özgün yaklaşımlar ve bu yaklaşımların birbirleri ile karşılaştırıldığı uluslararası bir akademik yayın yapılmıştır. İstatistik biliminde de kullanılan, veri noktalarının zamana bağlı değiştiği bu yöntemler, verilerin geçmişte aldığı değerlerin değişimini gelecekte alacağı değerleri kestirmek için kullanabilmekte ve karmaşık verilerin yüksek doğrulukta tahmin edilmesinde avantajlı olarak değerlendirilmektedir. Bununla birlikte bu çalışmada dizel motor ve farkli bir motor tipi olarak Wankel motorundan veri toplama, toplanan veriyi işleme, ilgili makine öğrenmesi metodlarının kullanıldığı yazılımları kullanma gibi pratik deneyimler de yansıtılmıştır. Temel çalışma konusu dizel motor olmakla birlikte, dizel motor için istenen veri setine erişme sürecinde dinamometre test düzeneği hazır olan ve veri çeşitliliği yeterli olan bir Wankel motoru, temel yapay sinir ağları yöntemini test edebilmek adına başarıyla kullanılmıştır. Tez kapsamında yayınlanan makalelerde, istenen performans ve emisyonu (örneğin yakıt tüketimi ve NOx) incelemek ve özgün metodlarla modellemek için sistem davranışını yansıtabilecek giriş çıkış verilerine ihtiyaç duyulmuş ve bu ihtiyaca yönelik ölçümler planlanmıştır. Dizel motordan istenen nitelikte, çeşitte ve sayıda veriyi elde edebilmek için ilgili deney düzeneğinin kurulması veya kurulu bir deney düzeneğinin ihtiyaca yönelik enstrümante edilmesi (sensör, eyleyici ve ölçüm ekipmanları açısından) gerekmektedir. İmkanlar dahilinde gemi seyir testleri de sistem davranışını yansıtabilecek veriyi toplayabilmek için uygun ortamlardır. Bu kapsamda hem dizel motor hem de Wankel motoru için enstrümante bir dinamometre test düzeneğinden veri toplanmıştır. Bu veriler belirli ön işlemlerden geçirilerek modellenmeye hazır hale getirilmiştir. Karar verilen model mimarisi ve modelin matematiksel detayları (parametreleri, aktivasyon fonksiyonu, optimizasyon algoritması, nöron ve katman sayısı gibi) ilgili simulasyon yazılımı programı vasıtasıyla kurulmuştur. Modeller test sürecini tamamladıktan sonra çıkış verilerini yüksek doğrulukta bir kestirim performansıyla yansıttığı görülmüştür. Ayrıca birbirinden farklı motor tipleri ile çalışmak ve bu farklılıktan bağımsız olarak makine öğrenmesi yöntemlerinin yüksek doğrulukta tahmin edebildiklerini tespit etmek de bu yöntemlerin farklı sistemlere adaptasyonunu gözlemlemek adına önem taşımaktadır. Bu çalışma literatürde dizel motor modellemek için sıklıkla kullanılan makine öğrenmesi ve bunlarla ilişkin ancak nispeten sınırlı kullanımı olan zaman serisi metodlarının gözden geçirildiği, bu metodlar ile ilgili karşılaştırmalı özgün bir çalışmanın yapıldığı, bu anlamda özellikle gemi dizel motorlarını bekleyen performans ve emisyon kısıtlamalarının üstesinden gelebilecek kontrol algoritmalarının tasarlanması adına, kestirim oranı yüksek, gerçeğe yakın bir motor modeli oluşturma konusunda literatüre katkı sağlayabilecek bir çalışma olarak kabul edilebilir.
Özet (Çeviri)
The marine industry is undergoing a transformative phase, marked by escalating environmental expectations, technological advancements, and the growing influence of electric vehicles alongside traditional diesel engines. Despite these shifts, legislative frameworks and performance standards are continually evolving, making it imperative to scrutinize critical variables. In the complex task of developing and calibrating modern combustion engines, especially given stringent emission standards and the necessity to comply with real driving emissions regulations, the understanding of internal engine processes becomes paramount. In the pursuit of enhanced performance and reduced emissions, the precise control of engine variables stands out as a major factor. Designing effective control algorithms requires an accurate model that reflects the intricacies of engine dynamics. The conventional approach of real-time testing proves both time-consuming and expensive, emphasizing the urgency for alternative methodologies. Acknowledging these challenges, the industry is increasingly turning to virtual testing environments, simulations, and modeling as integral components of the design and calibration process. Given the time-consuming and expensive nature of real-time testing and vehicle processes, the role of modeling and simulation has become pivotal. Modeling serves as a cornerstone in addressing the challenges posed by the quest for enhanced efficiency and reduced emissions in internal combustion engines. Traditional methods and cutting-edge technologies have been explored to comprehend and optimize engine performance. Traditional physical model-based approaches offer insights into challenging-to-measure phenomena, proving robust as input data changes. However, as modeling depth increases, computational power demands soar. In response, data-driven machine learning methods stand out as an alternative, capable of achieving high accuracy, albeit relying heavily on the quality of training data. Highlighting the pivotal role of modeling, data-driven approaches emerge as a linchpin in this journey. The flexibility of data-driven modeling methods, especially suited for the intricate dynamics of non-linear engines, brings advantages in terms of accuracy and efficiency. As the industry endeavors to find the optimum method concerning data volume, quality, variety, and complexity, this study undertakes the task of exploring and comparing a spectrum of commonly used data centric methods found in the literature. This study encapsulates a comprehensive exploration of widely utilized data driven methods found in the literature, including ANN, SVM, and ELM. Going beyond the conventional, the research introduces novel approaches such as NARX, ARIMAX, and RegARMA, all of which have demonstrated significant success in estimation tasks. By amalgamating established methodologies with innovative techniques, this research aims to contribute not only to academic discourse but also to the practical toolkit available for modeling marine engine behavior. The goal is to empower the industry with versatile, accurate, and efficient modeling strategies that align seamlessly with the dynamic landscape of marine propulsion systems. As environmental expectations soar and technological possibilities expand, the role of modeling in steering the marine industry toward sustainable and high-performance solutions has never been more pivotal. In addition, practical experiences such as collecting data from two separate diesel engines and a different engine type, the Wankel engine, processing the collected data, and using software using relevant machine learning methods are also reflected in this study. This study reviews machine learning and related time series methods, which are frequently used in the literature to model diesel engines, and conducts a comparative study on these methods, in this sense, in order to design control algorithms that can overcome the performance and emission restrictions that await especially ship diesel engines, with a high prediction rate. can be considered as a study that can contribute to the literature on creating a realistic engine model.
Benzer Tezler
- Yüksek devirli gemi disel motorlarında ısı yayılım modelinin etkisi
Effect of head release model on the performance of high speed marine diesel engines
TAYFUN AKMETE
- Dizel içten yanmalı 4 silindirli bir motorunturboşarj seçimi ve performans analizi
Turbo matching and performance analysis of a 4 cylinder diesel internal combustion engine
DENİZ TANIMLI
Yüksek Lisans
Türkçe
2019
Makine MühendisliğiTrakya ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. SEMİHA ÖZTUNA
- Atık sanayi yağları ve atık plastiklerden elde edilmiş yakıtın bir dizel motorunun farklı çalışma parametrelerindeki performans, emisyon ve yanma karakteristiklerinin deneysel analizi ve yapay sinir ağları yöntemi ile optimizasyonu
Experimental analysis of performance, emission and combustion characteristics of a diesel engine at different operating parameters of fuel obtained from waste industrial oils and waste plastics and optimisation with artificial neural network method
ABDULKERİM YILDIZ
Doktora
Türkçe
2023
Makine MühendisliğiBatman ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. SELMAN AYDIN
- Benzinli motorda alternatif yakıt kullanımının performans ve emisyon değerlerine etkisinin sayısal olarak incelenmesi
Numerical investigation of using alternative fuel on performance and emission for gasoline engine
EMRAH KANTAROĞLU
Yüksek Lisans
Türkçe
2017
Makine MühendisliğiKırıkkale ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. TOLGA DEMİRCAN
- Disel motorların değişken yük koşullarında bilgisayar yardımı ile incelenmesi
Computer aided simulation of diesel engines linder variable load conditions
CENGİZ BULUT