Das Montanhas de Minas ao Oceano: Os Caminhos da Ciência para um Futuro Sustentável
20 a 25 de outubro de 2025
Trabalho 21402
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Ambientais: ODS7 |
| Setor | Departamento de Engenharia de Produção e Mecânica |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Não |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Pedro Ribeiro de Oliveira |
| Orientador | JULIO CESAR COSTA CAMPOS |
| Outros membros | ANTONIO MARCOS DE OLIVEIRA SIQUEIRA, Estêvão Faria Duarte Freitas, José Antonio da Silva , Washington Orlando Irrazabal Bohorquez |
| Título | Uso de Rede Neural para optimizar funcionamento de motor diesel e reduzir emissões de NOx |
| Resumo | Com o avanço das técnicas de Inteligência Artificial (IA) e sua aplicação em setores industriais, e considerando a crescente demanda por motores de combustão interna mais eficientes, este trabalho tem como objetivo propor uma abordagem híbrida ao combinar ferramentas de IA e simulações numéricas de motores a combustão interna, em conjunto com o ANSYS CHEMKIN. O CHEMKIN é um software já validado e amplamente utilizado na indústria, que permite modelar com precisão os processos de combustão, ignição e formação de poluentes. As simulações numéricas têm como base o Motor Diesel TD 202, que se encontra instalado no Laboratório de Termodinâmica. Essa modelagem permitirá obter dados confiáveis de desempenho e emissões, incluindo curvas de torque, potência, eficiência térmica, níveis de CO, CO2 e NOx. Esses dados servirão como base para o treinamento de uma rede neural desenvolvida em PyTorch. Inicialmente, é definido um conjunto de parâmetros de operação do motor, juntamente com seus limites físicos. O CHEMKIN processa esses parâmetros, fornecendo os dados de saída correspondentes (desempenho e emissões). Tanto os dados de entrada quanto os de saída são utilizados para ajustar os pesos da rede neural por meio de algoritmos de aprendizado, com o objetivo de, ao mesmo tempo, maximizar os parâmetros de desempenho e minimizar a emissão de poluentes. A cada iteração, a rede neural propõe um novo conjunto de condições de simulação, que é novamente avaliado pelo CHEMKIN. Esse processo iterativo orienta a busca por combinações de parâmetros que otimizem o funcionamento do motor. Além disso, será aproveitado o recurso NVIDIA CUDA (Compute Unified Device Architecture), que permite utilizar o poder de processamento paralelo de GPUs para reduzir drasticamente o tempo necessário para iterações, viabilizando a exploração de um grande número de parâmetros. Após essa metodologia aplicada, os resultados serão validados experimentalmente em bancada com o motor Diesel, comparando as previsões da rede com dados reais obtidos, garantindo que a metodologia reflita com precisão o comportamento físico do motor. A metodologia desenvolvida tem o potencial de auxiliar a indústria a reduzir significativamente os custos computacionais de calibração de motores, sendo facilmente transferível para diferentes arquiteturas de motor e combustíveis alternativos, como biocombustíveis ou hidrogênio. Conclui-se que ao otimizar simultaneamente o desempenho, eficiência energética e emissões, esse método contribuirá para o desenvolvimento de motores mais limpos e alinhados às crescentes normas ambientais. |
| Palavras-chave | Diesel, IA, NOx |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|