Inteligência Artificial em Motores a Diesel

Podemos afirmar que o mundo está sofrendo uma terceira onda no desenvolvimento da inteligência artificial, depois das décadas de 1970 e dos anos 2000. Com a evolução dos motores e suas formas tradicionais de melhorar o desempenho, os projetistas estão cada vez mais empenhados em desenvolver algoritmos de inteligência artificial para aplicá-los na indústria de motores.

Utilizando os métodos convencionais para regular, antecipar e otimizar os processos de eventos complexos dos motores de combustão interna, como o mapeamento 2D e 3D das características do motor, o grande número de reações químicas de combustão não linear, pressão e gradientes de temperatura, interações do fluxo multifásico e formação de partículas se torna uma questão desafiadora. Sendo assim, com a utilização da IA o desempenho do motor poderia ser estimado ignorando esses fenômenos mais complexos, tendo como base apenas os dados experimentais. Também existem alguns problemas que são ignorados na gestão dos problemas dos motores convencionais, sistemas como a regulação da variabilidade cíclica estocástica que traz baixo desempenho para os sistemas de gerenciamento do motor. Modelos de controle mais poderosos e eficientes utilizam algoritmos de inteligência artificial em vários modos de combustão nos motores convencionais, como ignição por compressão de carga homogênea ou ignição por compressão com reatividade controlada.

Com o rápido desenvolvimento das aplicações da IA e Big Data é possível fornecer sistema de gestão cada vez mais eficiente e inteligente com grande quantidade de detalhes e inúmeras informações do motor, como velocidade, carga, torque indicado, temperatura, pressão, injeção de combustível, consumo etc. Mas toda essa quantidade gigante de dados necessita de uma ferramenta para fazer toda a análise e os algoritmos de inteligência artificial são a melhor escolha levando em consideração eficiência, consumo de tempo, margem de erro e custo para o gerenciamento do motor além de respostas em tempo real.

Com a maior preocupação com o meio ambiente, principalmente em relação a queima de combustíveis fósseis, levam os projetistas a desenvolverem formas alternativas de motores a combustão interna, que sejam mais eficientes e mais limpos. Entre todos estes assuntos entra as aplicações de IA em motores de combustão interna, uma nova abordagem que está sendo desenvolvida pelos pesquisadores. A maior parte dos esforços tem sido dedicadas às abordagens de controle, mas ainda existe muito trabalho pela frente com aplicações de IA no desenvolvimento do desempenho dos motores, mistura de combustível e características de combustão. Devido ao forte histórico de pesquisa neste campo, podemos afirmar que a IA é aplicada simultaneamente em todos os tipos de combustão conhecidos, desde a combustão por faísca até a combustão de baixa temperatura. A maior parte dos estudos é baseada em Redes Neurais Artificiais (RNA) para simular o desempenho do motor e em seguida utilizar o modelo para abordagens de controle e otimização. O desempenho geral do motor como potência, torque e emissões com base em suas condições operacionais e parâmetros de entrada como tempo de válvula, ambiente pressão/temperatura e razão de equivalência que podem ser estimados utilizando machine learning e deep learning. Nesses modelos são utilizados conjunto de dados do funcionamento do motor, com isso, algumas correlações preditivas serão definidas e usadas para estimar os valores alvo com base nas entradas. Podemos citar um exemplo: Digamos que um motor tem o início da sua combustão estimado com base na pressão ambiente, temperatura ambiente, fechamento da válvula de admissão, relação de equivalência, velocidade do motor e taxa de compressão através de uma correlação linear simples sugerido por modelos de regressão para compressão de carga homogênea alimentada por metano, esta correlação é importante para controlar a combustão do motor em tempo real. Estes estudos podem ser classificados em quatro categorias: simulação de desempenho, abordagens de controle, diagnóstico de falhas e otimização conforme mostra na Figura 1 abaixo:

Os veículos inteligentes possuem aplicações de machine learning e deep learning, usam técnicas de aprendizagem supervisionada, não-supervisionada por reforço. As técnicas de aprendizagem supervisionada e não-supervisionada como regressão, classificação, detecção, segmentação, redução de dimensionalidade. Os dados obtidos através de vários sensores localizados em diferentes partes do motor para analisar os fatores que afetam o consumo de combustível, emissões, detecção de falhas, compreender o comportamento do condutor, sistemas automáticos de assistência ao condutor e direção autônoma. Para os veículos autônomos, sim, aquele carro que não tem motorista, as tomadas de decisão geralmente são de acordo com as condições do ambiente, planejamento de rota, detecção de objetos é mais comum a utilização de aprendizagem não-supervisionada, técnicas de deep learning e aprendizagem por reforço. As técnicas de IA utilizados em motores à diesel são classificadas em cinco categorias: construção de combustível, desempenho do motor, diagnóstico de falhas, controle do motor e otimização. Podemos perceber que pesquisas neste nível apenas algumas técnicas de IA foram aplicadas para desenvolver os motores á diesel como mostrado na Figura 2.

Construção de Combustível

Os combustíveis fósseis desempenham um papel importante no fornecimento de energia em quase todos os setores da vida após a revolução industrial e a globalização, mas este tipo de combustível devida à sua queima causa um grande impacto ambiental negativo, por isso existem grandes esforços de cientistas para encontrar outras fontes de combustíveis que sejam limpas e de baixo custo. No setor de transporte, o biodiesel tem se tornado uma opção viável para substituir os combustíveis fósseis devido ao seu bom desempenho, pois oferece uma economia de 20% a 40% e reduz em 11% a liberação de monóxido de carbono segundo a Agência de Proteção Ambiental dos EUA (EPA).

Devido aos estudo feitos já existem várias técnicas para extrair o biodiesel de diferentes óleos/ gordura, com óleo de soja, canola, algas e gordura animal. Utilizando IA é possível estimar a eficiência da produção de biodiesel, otimizar os processos e minimizar os custos.

Os modelos de previsão de desempenho do biodiesel alimentados por IA tem várias etapas; coleta de dados, pré-processamento dos dados, aplicação dos algoritmos de machine learning e fazer as previsões nas variáveis alvo.

Desempenho do Motor

Um dos pontos principais da utilização de IA é em relação a estimativa de desempenho do motor. Com base no objetivo da pesquisa, os resultados como consumo de combustível, emissão, torque de freio e potência podem ser estimados utilizando técnicas de IA devido aos parâmetros de admissão do motor. Embora a maior parte das pesquisas sejam feitas com Redes Neurais Artificiais, existem também outros estudos com métodos diferentes para comparar a precisão das técnicas de IA como o Sistema Adaptativo de Inferência Neuro-Fuzzy (ANFIS) que combina as vantagens das Redes Neurais Artificiais e Lógica Fuzzy e também a programação de Expressão Gênica (GEP) que é um algoritmo evolutivo que cria modelos ou soluções para problemas imitando o processo de evolução biológica.

Consumo de Combustível

O consumo é um fator determinante para os veículos, principalmente para os pesados, pois afeta diretamente o custo operacional. Diversas pesquisas foram feitas para modelar o consumo/eficiência de motores a diesel com base em estatísticas e outras abordagens de IA. Além disso, estimar a eficiência do combustível poderia ajudar na gestão da frota de transporte e indicar em quais partes da estrada existe maior consumo. Além das Redes Neurais Artificiais, também são utilizadas outras técnicas de machine learning para o consumo de combustível, como Support Vector Machine (SVM) e Random Forest.

Emissão de Gases

Nos últimos tempos a emissão de gases tem sido um dos temas de foco na indústria automotiva, por conta do meio ambiente e das regulamentações. É mais um campo onde a IA é aplicada, pois as empresas estão preferindo utilizar os dados para estimar as emissões e assim poder reduzi-las.

Diagnóstico de Falhas

Qualquer avaliação que detecte algum problema no funcionamento do motor, seja de ignição, batida ou qualquer outro defeito é chamado de diagnóstico do motor. A falha de ignição é muito comum em motores a diesel e ela pode causar redução no torque de freio, potência e desempenho, sendo assim, muitas pesquisas estão sendo feitas para solucionar este problema.

Mesmo que os motores a diesel modernos sejam equipados com controle eletrônico semi-inteligente que utilizam técnicas de IA baseados em dados gerados pelos diversos sensores, as falhas na ignição ainda são difíceis de identificar usando um algoritmo ou raciocínio simples. A batida do motor acontece devido a autoignição indesejada da mistura ar-combustível que fica mais alta conforme o motorista acelera o veículo e se não for resolvido logo poderá causar problemas nos pistões e válvulas de escape. Por consequência novas pesquisas estão sendo direcionadas as técnicas de IA em detecção de detonação, utilizando Redes Neurais Convolucionais. Também existem estudos para detectar o vazamento do sistema de admissão e oxigênio se baseando em Redes Neurais Artificiais.

Controle do Motor

Outra abordagem interessante para melhorar o desempenho é controlar os parâmetros operacionais. Tendo um melhor controle do veículo e melhorando o desempenho do motor, assim, os sistemas eletrônicos poderiam ser integrados com a operação e controle do veículo. Neste caso, o processo de controle será realizado automaticamente através de vários sensores. Apesar de tantos esforços, os sistemas de controle ainda precisam de muitas melhorias no geral.

Otimização

As técnicas de IA estão sendo implementadas nos motores a diesel para otimizar as condições de operação do motor para atingir as metas desejadas. Podemos dizer que a pesquisa de otimização é aplicada e testada em quase todos os aspectos dos motores de forma exaustiva. Com o avanço das pesquisas, os sistemas inteligentes já estão entregando resultados em tempo real à medida que seus valores mudam, desta forma, as informações mais importantes estrão sempre sendo atualizadas. Os pesquisadores não param neste ponto e estão tentando aplicar tal abordagem para a calibração do motor que é uma das partes mais importantes do processo. Mas ainda será preciso muitos esforços e muitos testes para ter um motor totalmente inteligente.

Fonte:

 Ghenai C, Husein LA, Al Nahlawi M, Hamid AK, Bettayeb M. Recent trends of digital twin technologies in theenergy sector: A comprehensive review. Sustainable Energy Technologies and Assessments. 2022;54:102837.

Badra J, Owoyele O, Pal P, Som S. A machine learning-genetic algorithm approach for rapid optimization of internal combustion engines. In: Artificial Intelligence and Data Driven Optimization of Internal Combustion Engines. Netherland: Elsevier; 2022. pp. 125-158.

Aliramezani M, Koch CR, Shahbakhti M. Modeling, diagnostics, optimization, and control of internal combustion engines via modern machine learning techniques: A review and future directions. Progress in Energy and Combustion Science. 2022;88:100967.

Maldonado B, Stefanopoulou A, Kaul B. Artificial-intelligence-based prediction and control of combustion instabilities in spark-ignition engines. In: Artificial Intelligence and Data Driven Optimization of Internal Combustion Engines. Netherland: Elsevier; 2022. pp. 185-212.

Zheng Z, Lin X, Yang M, He Z, Bao E, Zhang H, et al. Progress in the application of machine learning in combustion studies. ES Energy & Environment. 2020;9(2):1-14.

Viana DP, de Sá Só Martins DH, de Lima AA, Silva F, Pinto MF, Gutiérrez RH, et al. Diesel engine fault prediction using artificial intelligence regression methods. Machines. 2023;11(5):530.