Desarrollo de una metodología para la predicción y optimización de emisiones contaminantes y consumo en motores diésel de automoción mediante redes neuronales artificiales

Resumen

Las estrictas normativas europeas en cuanto a límite de emisiones de escape permitidas, junto con el requerimiento de reducción del consumo de combustible impuesto por el mercado, someten a los motores Diesel de automoción a unos altos niveles de exigencia. El desarrollo tecnológico llevado a cabo como respuesta a estas demandas en el campo de los motores Diesel, ha supuesto un aumento notable en la complejidad de estos motores, incrementando de forma importante el número de parámetros operativos de motor. Este hecho complica la predicción de emisiones, a la vez que impone a la optimización en motor unas dimensiones elevadas. Los trabajos realizados en la presente tesis doctoral se plantearon con el objetivo de desarrollar herramientas que permitieran la predicción emisiones con un tiempo de cálculo corto y que proporcionaran resultados de buena calidad. Las redes neuronales artificiales (RNA) presentan ciertas características ventajosas a la hora de abordar el problema planteado, como son el modelado multivariable, la gestión de comportamientos no lineales y la rapidez de cálculo, con lo que el estudio se centró en estos modelos empíricos. Como primer paso del estudio se generaron y recopilaron amplias bases de ensayos experimentales en estacionario, medidos en dos motores de características dispares: un motor monocilíndrico HD y otro policilíndrico LD. Partiendo de los datos experimentales, se desarrolló una metodología para ajustar los factores de diseño y los entrenamientos de las RNA que proporcionaran las mejores predicciones de emisiones y consumo a partir de los parámetros operativos de motor. La comparación de la calidad de las predicciones para los dos motores estudiados y para las diferentes variables estimadas permitió establecer la aplicabilidad de estas herramientas, así como los factores que afectan a los resultados.