CHARACTERIZATION OF FUEL SPRAY DYNAMICS IN INTERNAL COMBUSTION ENGINES USING MACHINE LEARNING. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Thesis) Thesis_Draft[Sadique-Khan-202112610]_FINAL.pdf Restricted to Repository staff only until 10 June 2025. Download (3MB)

Arabic Abstract

تُقلل محركات الاشتعال بالضغط التي تعمل بالبنزين بشكل كبير من انبعاثات أكاسيد النيتروجين والجسيمات الصلبة عن طريق تعزيز عملية خلط الوقود بالمؤكسد نظرًا لفترات تأخير الاشتعال الأطول. يُعد تحسين خصائص رذاذ الوقود أمرًا بالغ الأهمية لتحسين أداء المحرك وتقليل الانبعاثات. يمكن لنماذج التعلم الآلي التنبؤ بهذه الخصائص، مما قد يحل محل التجارب التقليدية والنمذجة الحسابية. في البداية، استخدم نهج قائم على البيانات مجموعة بيانات تحتوي على ٥٤٠٠ عينة من تجارب تصوير رذاذ الوقود غير المتبخر تحت ظروف حقن ضغط البنزين. تم تقسيم البيانات بنسبة ٧٠٪ للتدريب و٣٠٪ للاختبار، مع تنفيذ التحقق المتقاطع بخمسة طيات ضمن التدريب. تضمنت الميزات المدخلة ضغط حقن الوقود (٦٠-١٥٠ ميغاباسكال)، ضغط الغرفة (٠.١-٢ ميغاباسكال)، قطر الفوهة، تباين فتحة الفوهة، ومدة الحقن، بهدف التنبؤ باختراق طرف الرذاذ وزاوية الرذاذ. تم تقييم أربعة نماذج تعلم آلي - الغابة العشوائية، تعزيز التدرج الأقصى، المعالج متعدد الطبقات، والشبكة المرنة. كان أداء نموذج الغابة العشوائية المحسن بأفضل شكل، محققًا قيمة R² قدرها ٠.٨٨٤، وخطأ مطلق متوسط قدره ٠.٦٥١، وجذر متوسط مربع الخطأ قدره ١.٥٧١. في المرحلة الثانية، استخدمت تقنية التعلم الآلي المقيّدة بالفيزياء لاشتقاق علاقة تجريبية لاختراق طرف الرذاذ تحت ضغط عالي. تم توليد بيانات إضافية للرذاذ من خلال محاكاة ديناميكيات السوائل الحسابية باستخدام انتقال نموذج الجسيمات المتفرق مع التكرير التكيفي للشبكة في برنامج أنسيس فلوينت. التقط نموذج محاكاة التدفق القصوي القابل للتكيف ديناميكيات التدفق المضطرب، واستخدم نموذج انهيار كلفن-هلمهولتز رايلي-تايلور لانهيار الرذاذ. أظهرت التنبؤات الخاصة باختراق طرف الرذاذ وزاوية الرذاذ، التي تم التحقق من صحتها مقابل البيانات التجريبية، خطأ أقصى قدره ٧.٤٪. أشارت النتائج إلى أن ضغط الغرفة يؤثر بشكل كبير على اختراق الرذاذ بعد الانهيار. تم استخدام مجموعة البيانات المدمجة من التجارب والمحاكاة الحسابية لتدريب نماذج التعلم الآلي وبناء علاقات تجريبية لاختراق طرف الرذاذ. أخيرًا، تم اشتقاق علاقة تجريبية لاختراق طرف الرذاذ باستخدام نمذجة التعلم الآلي المقيّدة بالفيزياء. قامت شبكة عصبية بتخطيط الميزات المدخلة إلى معاملات وأسس معادلة مقترحة لاختراق طرف الرذاذ، مما أدى إلى تحسين المعادلة أثناء التدريب. تُمكِّن المعادلة الناتجة، التي تم التحقق من صحتها ضمن الحدود التجريبية والحسابية، من تقدير دقيق لاختراق الرذاذ وتعمل كأساس لاستخدام التعلم الآلي الموجه بالفيزياء لتطوير علاقات عامة للوقود البديل في تصميم وتحسين حاقنات الوقود المتعددة الأنواع

English Abstract

Compression ignition engines using gasoline fuels significantly reduce NOx and particulate emissions by enhancing the fuel-oxidizer mixing process due to longer ignition delays. Optimizing fuel spray characteristics is crucial for improving engine performance and reducing emissions. Machine learning (ML) models can predict these characteristics, potentially replacing traditional experiments and computational modeling. Initially, a data-driven approach utilized a dataset of 5400 instances from non-evaporating gasoline fuel spray imaging experiments under Gasoline Compression Injection (GCI) conditions. The dataset was split 70%-30% for training and testing, with five-fold cross-validation. Input features included fuel injection pressure (60 – 150 MPa), chamber pressure (0.1 – 2 MPa), nozzle diameter, nozzle hole conicity, and injection duration, aiming to predict spray tip penetration and spray angle. Four ML models—random forest, extreme gradient boosting, multilayer perceptron, and elastic-net—were evaluated. The hyperparameter-tuned random forest model performed best, achieving an R² of 0.884, MAE of 0.651, and RMSE of 1.571. In the second phase, a physics-constrained ML technique derived an empirical correlation for high-pressure spray tip penetration. Additional spray data was generated through computational fluid dynamics (CFD) simulations using the Volume of Fluid (VOF) to Discrete Particle Model (DPM) transition and Adaptive Mesh Refinement (AMR) in ANSYS Fluent. The Shear Stress Transport (SST) k-ω Scale-Adaptive Simulation (SBES) model captured turbulent flow dynamics, and the Kelvin-Helmholtz Rayleigh-Taylor (KHRT) breakup model was used for spray breakup. The predicted spray tip penetration and spray angle, validated against experimental data, showed a maximum error of 7.4%. Findings indicated chamber pressure significantly affected spray penetration after breakup. The combined experimental and CFD dataset was used to train ML models and build empirical correlations for spray tip penetration. Finally, an empirical correlation for spray tip penetration was derived using physics-constrained ML modeling. A neural network mapped input features to the coefficients and exponents of a proposed spray tip penetration equation, refining the equation during training. The resulting equation, validated within experimental and computational limits, enables accurate estimation of spray penetration and serves as a foundation for using physics-informed ML to develop generalized correlations for alternative fuels in flex-fuel injector design and optimization.

Item Type:	Thesis (Masters)
Subjects:	Research Research > Engineering Aerospace Mechanical
Department:	College of Engineering and Physics > Mechanical Engineering
Committee Advisor:	Alzahrani, Fahad
Committee Members:	Masood, Mudassir and Medina, Mario and Alquaity, Awad and Ben Mansour, Rached
Depositing User:	SADIQUE SALEEMULLAH KHAN (g202112610)
Date Deposited:	23 Jun 2024 12:02
Last Modified:	23 Jun 2024 12:02
URI:	http://eprints.kfupm.edu.sa/id/eprint/142974