Comparison of the Accuracy of Instantaneous Fuel Consumption Rate Determination Methods for Known Traction Operation Conditions

• Autorzy: Wojciech Adamski , Krzysztof Brzozowski

Warianty tytułu

Porównanie metod obliczania natężenia zużycia paliwa dla znanych warunków eksploatacji trakcyjnej

• Języki publikacji: EN

Abstrakty

EN

The accuracy of predictive models enabling the determination of the instantaneous fuel consumption rate under traction operation conditions has been analyzed in the paper. Models of this type enable the energy evaluation of traffic conditions and the balancing of pollutant emissions from road transport means on a local spatial scale. The first of the models under analysis requires the calculation of the engine's power demand depending on the instantaneous speed and acceleration of the vehicle, as determined from the variation of speed and the information on the current gearbox transmission ratio. The second of the compared models is executed with the use of an artificial neural network for the calculation of the fuel consumption rate depending on the power unit load. The load of the unit is described by a set of data containing the information on the instantaneous speed and acceleration and their derivatives. In either case, it is necessary to perform calibration involving the setting of the values of respective empirical parameters. The performed comparison of the calculation results obtained by using either of the predictive models with the results of tests carried out on the chassis dynamometer indicates an acceptable accuracy of the fuel consumption rate predictions. (original abstract)

W pracy przeanalizowano dokładność obliczeń natężenia zużycia paliwa uzyskiwanych po zastosowaniu modeli prognozujących zużycie paliwa dla znanych warunków eksploatacji trakcyjnej. Modele tego typu umożliwiają ocenę warunków ruchu w lokalnej skali przestrzennej w aspekcie energetycznym oraz bilansowanie emisji zanieczyszczeń powietrza ze środków transportu. Pierwszy z modeli rozpatrywanych w pracy wymaga obliczania zapotrzebowania mocy silnika w zależności od chwilowej prędkości i przyspieszenia pojazdu, zdeterminowanych zmiennością prędkości ruchu i bieżącym przełożeniem skrzyni biegów. Drugi z zastosowanych w pracy modeli bazuje na sztucznej sieci neuronowej umożliwiającej wyznaczanie natężenia zużycia paliwa w zależności od obciążenia jednostki napędowej. Obciążenie jednostki napędowej jest przedstawiane w postaci zbioru wielkości wejściowych obejmującego chwilową prędkość i przyspieszenie pojazdu oraz ich pochodne. W przypadku obu rozważanych modeli wymagany jest etap kalibracji umożliwiający ustalenie wartości pewnych parametrów empirycznych. Przeprowadzone porównanie wyników obliczeń natężenia zużycia paliwa z wynikami badań na hamowni podwoziowej wskazuje na akceptowalną dokładność obliczeń uzyskiwanych przy zastosowaniu obu modeli.(abstrakt oryginalny)

Słowa kluczowe

EN

Fuel consumption; Forecasting models

PL

Zużycie paliwa; Modele prognostyczne

• Czasopismo: Logistyka
• Rocznik: 2014
• Numer: nr 6, CD 3
• Strony: 1350--1358

Twórcy

autor

Wojciech Adamski

• BOSMAL Automotive Research and Development Institute

autor

Krzysztof Brzozowski

• University of Bielsko-Biala

Bibliografia

• 1. Barth M., An F., Norbeck J., Ross M., Modal Emissions Modeling: A Physical Approach. Transportation Research Record, 1996, 1520, 81-88.
• 2. Boulter P.G., McCrae I.S. Barlow T.J., A review of instantaneous emission models for road vehicles. Transport Research Laboratory, 2007, Project report PPR 267.
• 3. Brzozowski K., Multipoint source method in air pollution modelling of cold start emission. Environmental Modeling and Assessment, 2006, 11, 371-380.
• 4. Capiello A., Chabini I., Nam E., Lue A., Ablu Zeid M., A Statistical Model of Vehicle Emissions and Fuel Consumption. In IEEE 5th International Conference on Intelligent Transportation System, 2002, 801-809.
• 5. Giannelli R., Nam E.K., Helmer K., Younglove T., Scora G., Barth M., Heavy-Duty Diesel Vehicle Fuel Consumption Modeling Based on Road Load and Power Train Parameters. SAE Tech. Paper 2005-01-3549.
• 6. Mensing F, Bideaux E., Trigui R., Tattegrain H., Trajectory optimization for eco-driving taking into account traffic constraints. Transportation Research Part D, 2013, 18, 55-61.
• 7. Oğuz H., Saritas I., Baydan H.E., Prediction of diesel engine performance using biofuels with artificial neural network. Expert Systems with Applications, 2010, 37, 6579-6586.
• 8. Scora G. Barth M., Comprehensive Modal Emissions Model (CMEM). Version 3.01, User's Guide, 2006.
• 9. Serikov S.A., Neural network model of internal combustion engine. Cybernetics and Systems Analysis, 2010, 46(6), 998-1007.
• 10. Shivakumar, Srinivasa Pai P., Shrinivasa Rao B.R., Artificial Neural Network based prediction of performance and emission characteristics of a variable compression ratio CI engine using WCO as a biodiesel at different injection timings. Applied Energy, 2011, 88, 2344-2354.
• 11. Yusaf T.F., Buttsworth D.R., Saleh K.H., Yousif B.F., CNG-diesel engine performance and exhaust emission analysis with the aid of artificial neural network. Applied Energy, 2010, 87, 1661-1669