En ny konceptuell modell för att beskriva ett bränsles sammansättning kan påskynda och förenkla förbränningssimuleringar. Bensinen och dieseln vi pumpar in i våra fordon är en komplex cocktail som kan innehålla tusentals olika kemikalier. Men titta närmare på bränslet, och den överväldigande komplexiteten börjar lösa sig, KAUST -forskare har visat.
Istället för att försöka modellera bränsleförbränning utifrån den långa listan av molekyler som bränslet innehåller, forskarna hittade en stenografi:de visar nu att de kan destillera komplexiteten till en mycket kort lista över molekylära subenheter eller funktionella grupper de flesta bränslemolekyler är gjorda av. Denna radikalt förenklade metod för att exakt simulera bränsleförbränning utvecklades av Abdul Gani Abdul Jameel under ledning av Mani Sarathy och hans team.
Projektet inleddes med hypotesen att förbränningsbeteendet för varje komponent i ett bränsle dikteras av de funktionella grupper som den omfattar. För att bekräfta teorin, teamet utförde högupplösta kärnmagnetiska resonansanalyser i KAUSTs Core Labs för att identifiera de huvudsakliga funktionella grupperna i en serie komplexa bränslen. De gjorde sedan enkla surrogat för varje bränsle genom att välja en eller två molekyler som innehöll de funktionella grupperna i samma balans som det verkliga bränslet.
Jämför viktiga förbränningsparametrar, såsom antändningsfördröjningstid och rökpunkt i labbet, forskarna bekräftade att de enkla surrogaten var trogna härmar av det verkliga bränslet. De visade ett bra surrogat som behövdes för att matcha den genomsnittliga molekylvikten och innehålla de rätta proportionerna av bara fem viktiga kol-vätefunktionella grupper:CH 3 , paraffinisk CH 2 , paraffinisk CH, naftenisk CH–CH 2 och aromatisk C–CH.
Traditionell förbränningsmodellering fångar exakt beteendet hos bränsleblandningar genom att lägga till detaljerade kemiska kinetiska data för allt fler komponenter i bränslet, men nackdelen är att simuleringen blir oöverkomligt långsam att köra. "Vi har visat att det inte är nödvändigt att lägga till komplexitet i modeller, så länge som underliggande egenskaper hos enklare molekylära parametrar, de funktionella grupperna, fångas, " säger Sarathy.
Teamets metod för att göra enkla bränslesurrogat kommer direkt att förbättra designen av effektiva nya motorer, förklarar Abdul Jameel. "Att använda ett minimalt antal komponenter minskar avsevärt tiden det tar att utveckla kemiska kinetiska modeller och de beräkningskostnader som är involverade i att simulera förbränning i förbränningsmotorer, " han säger.
Men teamets funktionella gruppbaserade tillvägagångssätt kommer att nå långt bortom surrogatformulering. "Vi utvecklar för närvarande maskininlärningsbaserade modeller för att förutsäga förbränningsegenskaperna hos bränslen baserat på deras funktionella grupper, ", tillägger Abdul Jameel.
