利用智能发动机实现从柴油到汽油的过渡！

如今，电动汽车正在快速发展，但长途卡车等大型车辆却远远落在了后面。原因是要将它们的引擎转换成电力驱动极具挑战。

伊利诺伊理工学院的研究人员可能已经找到了解决办法。在机械和航空航天工程副教授Carrie Hall的带领下，这个团队正在使用机器学习和计算机建模来帮助大型柴油发动机使用替代燃料。

使用替代燃料可能是传统柴油发动机的一种出路，但转换过程并不简单。发动机在设计时就考虑使用特定的燃料，简单地将一种燃料换成另一种燃料是行不通的。

这正是机器学习和建模可以提供帮助的地方。Hall创建了一个计算机模型，通过简单的软件更新，可以帮助柴油发动机在不同的燃料之间快速转换。

关键点在于燃料是如何点燃的，在发动机气缸内实现低价测量并不容易。Hall的模型是从气缸外从更简单、更便宜的传感器中提取数据，以诊断燃烧过程。

从反应的本质来看，仅仅执行多维流体动力学计算的模型是不够的。这是因为，为了让这个模型对发动机运行有用，它需要实时运行，并预测每分钟可能发生数千次的点火反应。

Hall 表示：“我们的模型被用来提供一些系统反馈，了解燃油点火的时间，进而了解它是如何与燃油喷射之类的东西联系在一起的，然后我们可能会根据反馈进行调整。”

发动机控制设计师选择的模型，有些是通过使用机器学习或存储大量数据表以减少计算，从而更快地工作；有些使用神经网络来模拟燃烧。但Hall表示：“问题是，这样它就只是一个黑盒子，我们无法真正理解内部发生了什么，这对控制来说是一个挑战，因为如果判断错了，就可能会出现非常严重的问题。”

Hall团队采取了一种不同的方法。该模型基于过程中潜在的物理和化学过程，即使这个过程非常复杂。这个模型以计算的复杂版本为起点，并寻找方法来生成可以更快求解的方程，同时严格遵守行业标准以保证控制模型的准确性。

Hall解释道：“我们已经试图捕捉所有潜在的影响并让其成为参考点，然后战略性地使用神经网络等工具来简化它，但我们保留了整体结构，这样就能理解每个部分的含义，以及它在里面的实际作用。”

因此，Hall的模型比纯机器学习方法更具扩展性。当对一种新燃料进行建模时，Hall的模型可以简单地更新一些与可测量的燃料特性相对应的参数。相比之下，基于纯机器学习方法的模型需要从零开始重新训练。

由于这基本上是一种软件升级，用户可以在不改变车辆硬件的情况下，以低得多的成本为引擎软件升级即可。

Hall已经将这个模型作为一种潜在的中间解决方案，将柴油发动机卡车转化为汽油发动机。Hall表示：“随着电动汽车在美国乘用车中越来越普遍，预计将会有很多多余的汽油，这些汽油可以用于重型车辆。”Hall的终极目标是制造出能够使用多种燃料的智能发动机——包括碳中和或碳负的燃料。

该模型是与阿贡国家实验室、Navistar和Caterpillar合作开发的，旨在帮助企业了解潜在的燃烧过程，并帮助它们设计使用柴油以外燃料的发动机。

在美国，尽管重型卡车只占上路车辆的1%，但它们的能源消耗却占到上路车辆的四分之一左右。让这些车辆摆脱柴油车，有望对排放产生重大影响。

Hall表示:“我们所做的一切都是为了尝试生产更清洁、更高效的汽车。”