Drivs av uppkomsten av e-handel och snabba leveranstjänster som Amazon, konsumenter har kommit att förvänta sig sina varor vid deras tröskel inom några dagar och till och med timmar – inte veckor. Denna on-demand-kultur sammanfaller med expansionen av transportteknik, anslutning, och automatisering, och tillsammans, dessa förändringar skakar upp en viktig hörnsten i amerikansk transport- vårt viktiga beroende av medelstora och tunga lastbilar.

Klass 8-lastbilar levererar cirka 80 procent av varorna i USA och står för cirka 22 procent av den totala transportenergianvändningen. Deras betydelsefulla roll i att möjliggöra affärstransaktioner och konsumera bränsle gör dem till de främsta målen för förändringar som bättre kommer att stödja USAs växande mobilitets- och leveransbehov.

För att möta framtida behov, amerikanska energidepartementets (DOE:s) Argonne National Laboratory ligger i framkant av forskning för att förbättra effektiviteten och utnyttjandet av dessa fordon, lägre utsläpp, och minska amerikanernas beroende av utländsk olja. Laboratoriets forskare hanterar detta arbete på flera fronter.

Tillsammans med banbrytande avancerade motorkoncept och kontroller, forskare utvärderar framväxande teknik för att stärka beslutsfattare i både privat och offentlig sektor. Dessa forskningsinsatser förstärks av industri- och regeringspartnerskap, och genom att utnyttja Argonnes anläggningar i världsklass och samarbeta över discipliner för att påskynda innovation.

Med mångsidig expertis och resurser för grundläggande förbränningsrecept och fordonsutvärdering, high fidelity multi-fysik modellering, maskininlärning, och prediktiv analys, Argonne bidrar till utvecklingen av medellång och tung teknik för framtiden.

Samarbetar med banbrytande avancerade motorer

Argonne lånar ut sin expertis inom medellång och tung teknik för två stora samarbeten som ökar effektiviteten. Det ena är DOE:s 21st Century Truck Partnership, där myndigheter och branschpartners har gått samman för att identifiera forskningsområden med behov och påskynda utvecklingen av ny teknik.

Argonne arbetar också med Navistar i DOE:s SuperTruck II, ett storskaligt samarbete där team av tillverkare arbetar för att avsevärt förbättra effektiviteten hos klass 8-lastbilar. Specifika mål inkluderar en 100 procent ökning av godseffektiviteten och 55 procent bromsvärmeeffektivitet, som mäter hur väl en motor omvandlar bränslenergi till mekanisk energi.

Genom detta samarbete Argonne -forskare arbetar med att hitta avancerade förbränningsmetoder som kan nå dessa effektivitetsmål. Detta arbete bygger på DOE:s SuperTruck I, som hade liknande mål och där Argonne också samarbetade med Navistar.

"Vi är glada över att samarbeta med Navistar igen i detta viktiga arbete. Vi vill använda vår omfattande experimentella motorexpertis för att utveckla innovativa metoder för att förbättra effektiviteten, " Forskningschef och projektledare för Argonne Engineering Thomas Wallner sa.

Optimera högeffektiva motorer

Optimering är nödvändigt för att konstruera effektivare motorer och kräver inte bara en djup förståelse för hur material och komponenter fungerar tillsammans, men också verktyg som snabbt kan förstå förbränningsprocesser. Argonne levererar på båda aspekterna med sin kombinerade expertis inom förbränningsmodellering och högpresterande beräkningsmöjligheter.

Lastbilstillverkare och andra intressenter utnyttjar dessa två funktioner för att påskynda utvecklingen av avancerade motordelar, som avancerade tändsystem. Argonnes pågående CRADA (kooperativt forsknings- och utvecklingsavtal) med Cummins och Convergent Science Inc. exemplifierar det värde dessa funktioner ger till processen.

I detta partnerskap, Argonnes experter optimerar bränslesprayinjektormodeller som används i företagets interna design. Modellerna förutsäger ett fenomen som kallas kavitation, varigenom bränsle omvandlas från vätska till ånga. Processen kan erodera injektorn och hindra prestanda om den inte åtgärdas före produktion.

Att ha en klar förståelse för hur kavitation uppstår kan möjliggöra förbättringar som åtgärdar eller mildrar problemet, och att använda beräkningsmodellering i processen sparar tid och pengar.

"Med hjälp av modelleringsmetoder och högpresterande beräkningar, du kan förutsäga problemet och förstå hur och varför det händer, vilket sparar industrin på experimentella kostnader, " sa Argonne Computational Multi-Physics Section Manager Sibendu Som. "Den tid och pengar du sparar, du kan satsa på tekniska sätt att ta itu med problemet, oavsett om det innebär att ändra materialet eller designen eller positionen för delar."

Optimera driften

Effektiviteten kan förbättras inte bara genom att optimera motorn utan också genom att optimera individuella fordonskontroller och godsleverans. Smartare routing och kontroller kan hjälpa till att förbättra bränsleeffektiviteten och kostnadsbesparingar och, på systemnivå, minimera trängsel och andra störningar.

Så, förutom motoroptimering, Argonne -forskare modellerar energi och rörlighet i hela stadssystem för att utvärdera effekterna av framväxande teknik. De undersöker också sätt att utvärdera routing baserat på bränsleförbrukning, tid, och miljöpåverkan. Sådana modeller kan hjälpa företag att maximera driftseffektiviteten genom att rekommendera rutter som sparar energi och tid och fordonsteknik som är bäst lämpad för specifika rutter, till exempel.

Forskare utnyttjar djupinlärning för att optimera sina modeller. Deep learning är en form av maskininlärning som använder en klass av algoritmer som kallas "djupa neurala nätverk, " som efterliknar hjärnans enkla signalprocesser på ett hierarkiskt sätt. De är särskilt användbara för att analysera komplexa egenskaper.

"Att spara tid på simulering gör att vi kan ställa mycket fler frågor om hur fordon kommer att användas i framtiden och hur ny teknik kommer att påverka dem, "Vårt mål är att så småningom använda maskininlärning för att förbättra operativ effektivitet utan behov av högfientliga simuleringar."

Verkliga utvärderingar av framväxande teknologier

Att bli adopterad, nya medelstora och tunga tekniker måste först bevisas uppfylla en specifik industris behov, och leverera överlägsna fördelar. Argonne kan utvärdera olika medelstora och tunga tekniker för att leverera dessa insikter, hjälpa beslutsfattare att förstå var investeringar och forsknings- och utvecklingsinsatser bör placeras.

I ett projekt för Fedex, Forskare jämförde ett av företagets medelstora fordon med två elfordon i ett tidigt skede och jämförde deras prestanda mot en baslinjemodell av dieselmotorer. Argonnes analys fokuserade på att mäta den relativa energiförbrukningen för varje teknik.

För att ge verkliga insikter, forskare använde Argonnes avancerade testverktyg, inklusive dess interna dynamometrar och testcell som kan simulera ett brett spektrum av miljöförhållanden. De kombinerade testning med en kostnadsanalys baserad på stickprovsskyddade vägar.

Detta arbete genererade kritisk faktadata som hjälpte Fedex att förstå vilka tekniker som var mest kostnadseffektiva baserat på deras energiförbrukning, och hjälpte till att vägleda affärsinvesteringsbeslut.

"Vår analys gör många saker, inklusive att hjälpa intressenter att förstå vilken teknik som minskar kostnaderna och gynnar konsumenterna och miljön, inte bara för idag utan för imorgon också, "sa forskningsingenjör Forrest Jehlik.

"Vi kan också hjälpa branschpartner att matcha deras behov med rätt teknik. Till exempel vi kan hjälpa ett företag att förstå hur mycket batterikraft de skulle behöva för att stödja sin verksamhet genom att använda elfordon. Med tanke på att kostnaden för dessa fordon till stor del bestäms av kostnaden för batteriet och elektroniken med hög effekt, att ha denna typ av insikt kan ge verkliga besparingar."

Systemoptimering

Den fulla omfattningen av Argonnes analysfunktioner slutar inte med kostnadsanalyser; det går ännu djupare med hjälp av breda modeller. Med sin patenterade GREET -modell, Argonne kan leverera hela livscykelanalyser av kol för upp till 85 olika fordons- och bränslekombinationer. Dessutom, Argonnes modelleringsverktyg POLARIS och Autonomie gör det möjligt för forskare att modellera rörlighet och energi i hela städer.

Labbet kommer att fortsätta tänja på gränserna för medel- och tung teknik från alla olika vinklar. Argonnes mångfacetterade förmågor och tillvägagångssätt hjälper nationen att uppnå energioberoende och stödja innovation inom energisektorn.

"Frågan är inte om saker och ting kommer att förändras, men hur, " Sa Rousseau. "Vi ger insikten för att hjälpa våra partners att förstå hur saker och ting kan förändras och ge dem möjlighet att göra val om hur de ska förbereda sig för dessa framtida förändringar."