Otimização Paramétrica Veicular Via Algoritmos Genéticos
Resumo
Este trabalho apresenta uma aplicação de algoritmos genéticos em um veículo automotivo, para buscar parâmetros ótimos de rotação de motor utilizados nas mudanças de marcha com o objetivo de otimizar a economia de combustível e performance em aceleração de 0 a 100 km/h. Foram considerados os testes de economia de combustível padronizados FTP e HWFET. A otimização buscou três perfis de direção ótimos: uma otimização global, uma otimização específica que desconsidera o teste HWFET e uma que desconsidera o teste FTP. Os resultados foram comparados a um perfil típico de condução com mudanças de marcha a 3000 rpm e reduções de marcha a 1000 rpm. A solução da otimização global obteve 11,55% de melhoria na economia de combustível FTP, mas houve redução de 14,30% na economia de combustível HWFET. As soluções encontradas pelo AG nas otimizações específicas alcançaram melhorias de 13,71% na
economia de combustível no teste FTP e 1,53% na economia de combustível no teste HWFET. Em todas as otimizações foram obtidas melhorias no tempo de 0 a 100 km/h de até 3,79%. Os resultados demonstraram que o algoritmo genético conseguiu obter bons resultados nas otimizações específicas.
Referências
1. M. N. D. Miranda., Algoritmos Genéticos: Fundamentos e Aplicações, UFRJ (Universidade Federal do Rio de Janeiro).
2. D. Whitley, A genetic algorithm tutorial, Statatics and Computing, vol. 4, pp. 65-85, 1994.
3. Kumar, M.; Husian, M.; Upreti, N.; Gupta, D. Genetic Algorithm: Review and Application, International Journal of Information Technology and Knowledge Management, vol. 2, nº 2, pp. 451-454, 2010.
4. G. B. Colherinhas, Ferramenta de Otimização via Algoritmos Genéticos com Aplicações em Engenharia, Dissertação de Mestrado em Ciências Mecânicas, Publicação ENM.DM - 243 A/16, Departamento de Engenharia Mecânica, Universidade de Brasília, Brasília, DF, xvii, 84p, 2016.
5. W. Gao E S. K. Porandla, Design Optimization of a Parallel Hybrid Electric Powertrain, 2005 IEEE Vehicle Power and Propulsion Conference, p. 6, 2005.
6. B. Huang, Z. Wang e Y. Xu, Multi-Objective Genetic Algorithm for Hybrid Electric Vehicle Parameter Optimization, IEEE/RSJ International Conference on Intelligent Robots and Systems, pp. 5177-5182, 2006.
7. L. Li, Y. Zhang, C. Yang, X. Jiao, L. Zhang e J. Song, Hybrid genetic algorithm-based optimization of powertrain and control parameters of plug-in hybrid electric bus, Journal of the Franklin Institute, vol. 352, nº 3, pp. 776-801, 2015.
8. Z. Chen, C. C. Mi, R. Xiong, J. Xu e C. You, Energy management of a power-split plug-in hybrid electric vehicle based on genetic algorithm
and quadratic programming, Journal of Power Sources, vol. 248, nº 15, pp. 416-426, 2014.
9. O. Hegazy e J. V. Mierlo, Particle Swarm Optimization for optimal powertrain component sizing and design of fuel cell hybrid electric vehicle, 12th International Conference on Optimization of Electrical and Electronic Equipment, pp. 601-609, 2010.
10. I. Reis, I. Zeigerman, A. Diniz e A. Rodrigues, Optimization of the upper limit engine speed in urban buses using genetic algorithm technique, 23rd ABCM International Congress of Mechanical Engineering, 2015.
11. G. B. Colherinhas, P. H. C. Dias, A. Diniz e A. P. S. P. Rodrigues, Automotive powertrain optimization by genetic algorithm analysing transmission ratios, EngOpt - 4th International Conference on Engineering Optimization, At Lisbon, Portugal, 2014.
12. F. Millo, P. Arya e F. Mallamo, Optimization of Automotive Diesel Engine Calibration Using Genetic Algorithm, vol. 158, nº 1, pp. 807-819, 2018.
13. G. B. Colherinhas, Genetic Algorithm MATLAB toolbox. Repositório Github.
14. U.S. Department Of Energy, fuel economy – detailed test information.
