Développement d'une méthodologie d'essais dynamiques appliquée à la mise au point moteur

Development of a methodology of dynamic tests applied on engine calibration

• Auteur / Autrice : Djamel Eddine Hambarek
• Direction : Pascal Chesse, Jean-François Petiot
• Type : Thèse de doctorat
• Discipline(s) : Energétique, Thermique, Combustion
• Date : Soutenance le 08/12/2023
• Etablissement(s) : Ecole centrale de Nantes
• Ecole(s) doctorale(s) : Sciences de l'ingénierie et des systèmes (Nantes Université)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de recherche en hydrodynamique, énergétique et environnement atmosphérique (Nantes)
• Jury : Président / Présidente : Marija Jankovic
• Jury : Rapporteurs / Rapporteuses : Jérôme Pailhes, Pascal Higelin

Mots clés

Mots clés contrôlés

Réseaux neuronaux (informatique)

Plan d'expérience

Environnement

Moteurs thermiques

Mots clés libres

Plan d’expériences dynamique

Real Driving Emission

Modélisation

Optimisation

Cartographies moteur

Réseaux de neurones LSTM

Engine calibration

Dynamic design of experiments

Real Driving Emission

LSTM Neural networks

Genetic algorithm

Catalyst warm-up

Engine look-up tables

Résumé

Les travaux de cette thèse de doctorat s’inscrivent dans le contexte d’évolution desnormes de dépollution des moteurs thermiquescouplée aux exigences de baisse de la consommation des véhicules. La méthodologie développée tente de répondre avec un processus industriel efficace aux exigences d’émissions en roulage réel, dites RDE (Real Driving Emissions). La méthode proposée est basée sur la technique des plans d’expériences dynamiques utilisant les suites à faible discrépance : les résultats d’essais sont utilisés afin d’entraîner un modèle de réseau de neurones type LSTM capable de prédire l’historique des sorties (les masses de polluants CO, HC, NOx) pour chaque combinaison donnée en entrée. Le modèle est utilisé ensuite pour nourrir une boucle d’optimisation basée sur un algorithme génétique afin de mettre au point les cartographies moteur optimales.Les travaux se focalisent sur la phase de mise en action du moteur, qui est comprise entre l’instant de démarrage et l’instant où le système de post-traitement est amorcé, c’est-à-dire lorsque le catalyseur a atteint la température lui permettant d’être efficace. Cette phase est capitale car elle concentre l’essentiel des émissions lors d’un cycle d’homologation : la mise en action doit donc sans cesse être optimisée pour répondre aux nouvelles contraintes réglementaires. Elle constitue donc un champ d’application de la méthodologie à la fois cohérent et pertinent. Les résultats montrent des améliorations notables concernant les CO, HC et Nox en comparaison de la méthode classique (essais en régime permanent).

The work of this thesis responds to the context of the evolution of engine depollution norms together with the increase of the clientrequirements. It proposes a complete methodology of engine calibration considering dynamic effects with the aim of an efficient control in terms of emissions and performances. The method is divided into four steps: the dynamic design of experiments generating a set of RDE (Real Driving Emissions) cycles and dynamic variations of engine parameters using low discrepancy sequences: test results are used to train a dynamical model using LSTM neural network to predict output dynamic variations(CO, HC, NOx, Exhaust flow and temperature). The trained model is used in an optimization loop to calibrate the engine parameters using a genetic algorithm. The catalyst warm-up phase is the chosen phase for the development of the method. It is the phase occuring from engine start until the catalyst is the most efficient. It is indeed the phase with the most important emissions which is coherent with the aim of the engine calibration. The results showed noticeable improvements of CO, HC and Nox reduction compared to the steady state (baseline) method.