Gevoed door de opkomst van e-commerce en snelle verzendservices zoals Amazon, consumenten verwachten hun goederen in een kwestie van dagen en zelfs uren, niet weken, voor de deur. Deze on-demand cultuur valt samen met de uitbreiding van transporttechnologieën, connectiviteit, en automatisering, en samen, deze veranderingen schudden een belangrijke hoeksteen van het Amerikaanse transport door elkaar:onze vitale afhankelijkheid van middelzware en zware vrachtwagens.

Vrachtwagens van klasse 8 leveren ongeveer 80 procent van de goederen in de Verenigde Staten en zijn goed voor ongeveer 22 procent van het totale energieverbruik voor transport. Hun belangrijke rol bij het mogelijk maken van zakelijke transacties en het verbruiken van brandstof maakt hen de belangrijkste doelen voor verandering die de veranderende mobiliteits- en leveringsbehoeften van Amerika beter zullen ondersteunen.

Om aan toekomstige behoeften te voldoen, het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE's) loopt voorop in het onderzoek om de efficiëntie en het gebruik van deze voertuigen te verbeteren, lagere uitstoot, en de Amerikaanse afhankelijkheid van buitenlandse olie te verminderen. De onderzoekers van het laboratorium pakken dit werk op meerdere fronten aan.

Samen met baanbrekende geavanceerde motorconcepten en bedieningselementen, onderzoekers evalueren opkomende technologieën om besluitvormers in zowel de private als de publieke sector te machtigen. Deze onderzoeksinspanningen worden versterkt door partnerschappen met de industrie en de overheid, en door gebruik te maken van Argonne's faciliteiten van wereldklasse en door verschillende disciplines samen te werken om innovatie te versnellen.

Met diverse expertise en middelen voor fundamentele verbrandingsrecepten en voertuigevaluatie, high-fidelity multi-fysica modellering, machinaal leren, en voorspellende analyses, Argonne draagt ​​bij aan de evolutie van middelzware en zware technologie voor de toekomst.

Samenwerken om geavanceerde motoren te pionieren

Argonne leent zijn expertise in middelzware en zware technologie voor twee grote samenwerkingen die de efficiëntie bevorderen. Een daarvan is DOE's 21e-eeuwse vrachtwagenpartnerschap, waar overheids- en industriepartners hun krachten hebben gebundeld om onderzoeksgebieden te identificeren en de ontwikkeling van nieuwe technologie te versnellen.

Argonne werkt ook samen met Navistar in DOE's SuperTruck II, een grootschalige samenwerking waarin teams van fabrikanten werken om de efficiëntie van klasse 8-trucks aanzienlijk te verbeteren. Specifieke doelen zijn onder meer een 100 procent hogere vrachtefficiëntie en 55 procent thermische remefficiëntie, die meet hoe goed een motor brandstofenergie omzet in mechanische energie.

Door deze samenwerking, Onderzoekers van Argonne werken aan het lokaliseren van geavanceerde verbrandingsbenaderingen die deze efficiëntiedoelen kunnen bereiken. Dit werk bouwt voort op DOE's SuperTruck I, die vergelijkbare doelen had en waarin Argonne ook samenwerkte met Navistar.

"We zijn verheugd om opnieuw met Navistar samen te werken aan dit belangrijke werk. We willen onze uitgebreide experimentele motorexpertise gebruiken om innovatieve benaderingen te ontwikkelen voor het verbeteren van de efficiëntie, " Onderzoeksmanager en Argonne Engineering Projectleider Thomas Wallner zei.

Optimalisatie van hoogrendementsmotoren

Optimalisatie is nodig om efficiëntere motoren te ontwikkelen en vereist niet alleen een diep begrip van hoe materialen en componenten samenwerken, maar ook tools die verbrandingsprocessen snel kunnen doorgronden. Argonne voldoet aan beide aspecten met zijn gecombineerde expertise op het gebied van verbrandingsmodellering en krachtige computermogelijkheden.

Vrachtwagenfabrikanten en andere belanghebbenden maken gebruik van deze twee mogelijkheden om de ontwikkeling van geavanceerde motoronderdelen te versnellen, zoals geavanceerde ontstekingssystemen. Argonne's doorlopende CRADA (samenwerkingsovereenkomst voor onderzoek en ontwikkeling) met Cummins en Convergent Science Inc. is een voorbeeld van de waarde die deze capaciteiten aan het proces toevoegen.

In deze samenwerking De experts van Argonne optimaliseren de modellen voor brandstofverstuiver die worden gebruikt in het interne ontwerp van het bedrijf. De modellen voorspellen een fenomeen dat bekend staat als cavitatie, waarbij brandstof wordt omgezet van vloeistof naar damp. Het proces kan de injector eroderen en de prestaties belemmeren als het voorafgaand aan de productie niet wordt aangepakt.

Een duidelijk begrip van hoe cavitatie optreedt, kan verbeteringen mogelijk maken die het probleem oplossen of verminderen, en het gebruik van computationele modellering in het proces bespaart tijd en geld.

"Met behulp van modelleringsmethoden en high-performance computing, je kunt het probleem voorspellen en begrijpen hoe en waarom het gebeurt, die de industrie bespaart op experimentele kosten, " zei Argonne Computational Multi-Physics Section Manager Sibendu Som. "De tijd en het geld dat u bespaart, u kunt zetten in de richting van technische manieren om het probleem aan te pakken, of dat nu betekent dat het materiaal of het ontwerp of de positie van onderdelen moet worden gewijzigd."

Optimalisatie van bewerkingen

De efficiëntie kan niet alleen worden verbeterd door de motor te optimaliseren, maar ook door de individuele voertuigbedieningen en de levering van goederen te optimaliseren. Slimmere routing en controles kunnen helpen om de brandstofefficiëntie en kostenbesparingen te verbeteren en, op systeemniveau, congestie en andere verstoringen tot een minimum te beperken.

Dus, naast motoroptimalisatie, Onderzoekers van Argonne modelleren energie en mobiliteit in hele stadssystemen om de impact van opkomende technologieën te evalueren. Ze onderzoeken ook manieren om de route te evalueren op basis van brandstofverbruik, tijd, en milieueffecten. Dergelijke modellen kunnen bedrijven helpen de operationele efficiëntie te maximaliseren door routes aan te bevelen die energie en tijd besparen en voertuigtechnologieën die het meest geschikt zijn voor specifieke routes, bijvoorbeeld.

Onderzoekers gebruiken deep learning om hun modellen te optimaliseren. Deep learning is een vorm van machine learning die gebruikmaakt van een klasse van algoritmen die 'diepe neurale netwerken' worden genoemd. " die de eenvoudige signaalprocessen van de hersenen op een hiërarchische manier nabootsen. Ze zijn vooral nuttig bij het analyseren van complexe eigenschappen.

"Door tijd te besparen op simulatie kunnen we veel meer vragen stellen over hoe voertuigen in de toekomst zullen worden gebruikt en hoe nieuwe technologieën ze zullen beïnvloeden, "Voertuig- en mobiliteitssimulatiemanager Aymeric Rousseau zei. "Ons doel is om uiteindelijk machine learning in te zetten om de operationele efficiëntie te verbeteren zonder de noodzaak van high-fidelity-simulaties."

Real-world evaluaties van opkomende technologieën

Geadopteerd worden, nieuwe middelzware en zware technologieën moeten eerst worden bewezen om te voldoen aan de behoefte van een specifieke industrie, en superieure voordelen opleveren. Argonne kan verschillende middelzware en zware technologieën evalueren om die inzichten te leveren, besluitvormers helpen te begrijpen waar investeringen en onderzoeks- en ontwikkelingsinspanningen moeten worden geplaatst.

In één project voor Fedex, onderzoekers vergeleken een van de middelzware voertuigen van het bedrijf met twee vroege elektrische voertuigen en vergeleken hun prestaties met een basismodel met een dieselmotor. De analyse van Argonne was gericht op het meten van het relatieve energieverbruik van elke technologie.

Om real-world inzichten te bieden, onderzoekers gebruikten de geavanceerde testtools van Argonne, inclusief de interne dynamometers en testcel die een breed scala aan omgevingsomstandigheden kan simuleren. Ze combineerden testen met een kostenanalyse op basis van voorbeelden van eigen routes.

Dit werk genereerde essentiële feitelijke gegevens die Fedex hielpen te begrijpen welke technologieën het meest kosteneffectief waren op basis van hun energieverbruik, en hielp bij het begeleiden van zakelijke investeringsbeslissingen.

"Onze analyse doet veel dingen, inclusief het helpen van belanghebbenden om te begrijpen welke technologieën de kosten verlagen en voordelen opleveren voor consumenten en het milieu, niet alleen voor vandaag, maar ook voor morgen, " zei onderzoeksingenieur Forrest Jehlik.

"We kunnen ook industriepartners helpen hun behoeften te matchen met de juiste technologie. we kunnen een bedrijf helpen begrijpen hoeveel batterijvermogen ze nodig hebben om hun activiteiten te ondersteunen door elektrische voertuigen te gebruiken. Aangezien de kosten van deze voertuigen grotendeels worden bepaald door de kosten van de batterij en de krachtige elektronica, het hebben van dit soort inzicht kan echte besparingen opleveren."

Systeemoptimalisatie

De volledige reikwijdte van Argonne's analysemogelijkheden stopt niet bij kostenanalyses; het gaat nog dieper met behulp van brede modellen. Met zijn gepatenteerde GREET-model, Argonne kan volledige koolstoflevenscyclusanalyses leveren voor maximaal 85 verschillende voertuig- en brandstofcombinaties. In aanvulling, Met de modelleringstools POLARIS en Autonomie van Argonne kunnen onderzoekers mobiliteit en energie in hele steden modelleren.

Het lab zal de grenzen van middelzware en zware technologie vanuit alle verschillende hoeken blijven verleggen. De veelzijdige capaciteiten en benaderingen van Argonne helpen het land om energieonafhankelijkheid te bereiken en ondersteunen innovatie in de energiesector.

"De vraag is niet of dingen zullen veranderen, maar hoe, " zei Rousseau. "We bieden het inzicht om onze partners te helpen begrijpen hoe dingen kunnen veranderen en hen in staat te stellen keuzes te maken over hoe ze zich kunnen voorbereiden op die toekomstige veranderingen."