18-19 2018 [춘계학술대회]
| 제목 | 실시간 수치해석을 위한 신경망 기반 평균값 엔진 모델 구축에 관한 해석적 연구 |
|---|---|
| 분야 | 연료전지 / 하이브리드 / 전기자동차 |
| 언어 | Korean |
| 저자 | 고은희(조선대학교), 박정수(조선대학교) |
| Key Words | Real time simulation(실시간수치해석), Design of experiment(실험계획법), Mean value model(평균값 모델), Neural network(신경망), 1D simulation(1차원해석) |
| 초록 |
자동차내연기관기술은연료적용성향상과신연소기술의접목을통한친환경화라는과제에당면해왔 으며, 이를해결하기위한다양한기술이연구되어왔다. 연료적용성측면에서, 압축천연가스(CNG)는기 존의엔진에큰공정이나변화없이적용이가능하고풍부한부존량으로인해선호되어왔다. 또한강화되 고있는배기규제에대해대안책으로써, 기존엔진에비해낮은비율의질소산화물과넓은범위의연료적 용성을 가지고 있는 예혼합압축착화(HCCI) 방식이 다양하게 연구되어왔다. HCCI 방식은기존의 압축착 화연소방식에서연료분사시기제어를통해예혼합을구현할수있으며, 희박연소를통해연비향상, 배 출가스저감이가능하다. 하지만운전영역에따른높은HC와CO 배출량, 점화시기제어를통한최적연소 성능확보에어려움이있으며, 그에따라 적용가능한운전영 역이제한적이다. 본 연구의 최종 목적은 실시간 수치해석(Real time simulation)을 위한 평균값 모델 구축이다. 자세히는 가상의 CNG HCCI 시스템의 평균값 모델을 통해, 다변수 제어 범위 에따른연소성능및배출가스특성을도충하고저부하와고 부하운전최적화를통한운전영역확장에있다. 최종 목적을 위한 연구 단계로서, 본 연구에서는 가상의 CNG HCCI 엔진구성을위한base 엔진(1.4L 디젤엔진)을선 정하고, base엔진의 상세 모델과 인공 신경망을 이용한 평균 값 모델을 구성하였다. 모델 구성에는 1차원 상용 해석 프로 그램인 Gamma Technology사의 GT-suite을 사용하였다. Base 엔진의제원과신뢰도확보를위한운전해석영역은Table 1과2에나타내었다. 연소모델은공기흡입율, 연료액적의침투율 기화및 연소율계산이가능한 direct-injection diesel multi - pulse (DI-Pulse) 모델을사 용했으며, 질소산화물(NOx)은온도의함수로이루어진Extended Zeldovich mechanism이적용되었다. 신뢰도확보를위해, NEDC 사이클의 다빈도운전영역의정상상태시험결과와상세모델의해석결과 를비교하였다. Fig. 1에BSFC, 연소최대압, EGR rate, BSNOx 비교결과를나타내었으며, 5% 이내의모델 신뢰도를확보할수있었다. 상세모델의신뢰도를바탕으로평균값모델화를위한신경망(Neural network) 훈련을수행하였다. 자세 히는, 모델 reduction을 위해 평균값 모델(mean value model)의 성능 인자(volumetric efficiency, IMEP, exhaust gas temperature)에 대한 변수 범위를 선정하고, Latin hypercube 샘플링 방법을 적용하여 실험계획 법을수행하였다. 실험계획법을통해얻은결과값을신경회로망의입력값으로사용하였다. 신경망훈련 은기본적으로각뉴런을통과하는 모든입력값에대한결과값을직관적으로인식하게함으로서, 수치해 석 시의 해석시간 단축에 큰 기여를 하는 것으로 알려져 있다. 본 연구에서는 다층 구조 연산 (Multi-layer feedforward) 방식을적용하여, 엔진모델훈련을수행하였으며, 최적의신경망이선택되어결과값으로도 출되었다. 신경망훈련결과, 실험계획법과유사한경향성을보였으며, 훈련된결과는평균값모델의입력 값으로적용하였다. Fig.2는체적효율에대한훈련결과를대표로나타내었다. 본연구단계를통해base 엔진의평균값모델구축및신뢰성을확인하였고, 실시간수치해석을위한모 델단축이가능하였다. 향후, 모델확장을통한CNG HCCI 적용성을평가함으로서, 실시간수치해석기반 의엔진최적화방법을도출할것이다. |
| 원문(PDF) | 다운로드 |