基于Atkinson循环发动机的燃油消耗率优化方法对比研究

针对利用GT-Power详细模型耦合遗传算法(方案1)优化Atkinson循环发动机燃油消耗率时,存在公认的不易收敛且计算缓慢的问题,提出了神经网络简化模型耦合遗传算法(方案2)进行全局优化并与方案1进行比对.方案1利用GT-Power搭建某Atkinson循环发动机详细仿真模型,应用Heywood公式建立爆震预测模型,并耦合遗传算法对Atkinson循环发动机燃油消耗率进行优化;方案2则利用拉丁超立方算法采集4 500个实验点,将GT-Power详细模型及爆震模型简化为神经网络模型,通过简化模型耦合遗传算法进行优化.研究结果表明:利用方案2可以将Atkinson循环发动机的实际燃油消耗率最多降低4.6%,且仿真优化结果相对实际优化结果的最大误差率仅为7.3%,同时相对于方案1仿真优化时间最大可节省322倍.因此,采用方案2替代方案1用于Atkinson循环发动机燃油消耗率的快速全局优化是切实可行的方法.