L'apprentissage automatique utilisé pour calibrer les systèmes de contrôle des émissions plus rapidement et plus efficacement
Le Southwest Research Institute (SwRI) a développé une méthode pour automatiser l'étalonnage des systèmes de contrôle des émissions des camions diesel lourds à l'aide de l'apprentissage automatique et de l'optimisation basée sur des algorithmes. Le calibrage des derniers systèmes de post-traitement diesel prend souvent des semaines. La nouvelle méthode de SwRI peut les calibrer en seulement deux heures.
« Le calibrage manuel des systèmes de réduction catalytique sélective (SCR) demande beaucoup de travail, prenant souvent six semaines ou plus de tests et de travail », a déclaré Venkata Chundru, ingénieur de recherche principal à la section des algorithmes avancés du SwRI. « En combinant une modélisation avancée avec une optimisation automatisée, nous pouvons accélérer l'étalonnage et améliorer les performances du système tout en garantissant la conformité aux normes à venir. »
De nouvelles normes de l'Environmental Protection Agency des États-Unis et du California Air Resources Board (CARB) devraient entrer en vigueur en 2027, régissant la quantité d'oxydes d'azote (NOx), un véhicule peut émettre proportionnellement à l'énergie consommée. SwRI a réalisé plusieurs projets qui améliorent les technologies automobiles existantes, les amenant bien dans les nouvelles normes ou les dépassant.
Dans la continuité de ces travaux, la division Powertrain Engineering du SwRI a développé une méthode pour automatiser l'étalonnage des systèmes SCR pour les moteurs diesel. La plupart des systèmes SCR contrôlent les émissions des moteurs à l'aide d'une solution à base d'ammoniac, telle que le fluide d'échappement diesel à base d'urée injecté dans le flux d'échappement. L'échappement dosé interagit avec un catalyseur, créant une réaction chimique qui convertit le NOx dans de l'eau et de l'azote inoffensifs.
L'équipe du projet a créé un modèle d'apprentissage automatique de réseau neuronal basé sur la physique, qui apprend à la fois des données et des lois de la physique, fournissant ainsi des résultats plus rapides et plus précis. En exécutant des simulations d'un système SCR actif, l'équipe a pu affiner son contrôle de dosage d'urée pour réduire globalement le NO.x et d'ammoniac et identifier rapidement les réglages optimaux pour les moteurs. Le modèle pourrait alors apprendre à identifier ces paramètres et cartographier les processus d’étalonnage, permettant une automatisation complète.
« Par rapport à l'étalonnage manuel, la méthode que nous avons développée a systématiquement permis d'obtenir des délais d'étalonnage plus rapides et d'améliorer le NOx l'efficacité de conversion, entre autres avantages », a déclaré Chundru. « Cela nous offre une voie évolutive et rentable pour les futures applications lourdes. »
