Development of a modular Knowledge-Discovery Framework based on Machine Learning for the interdisciplinary analysis of complex phenomena in the context of GDI combustion processes

Die physikalischen und chemischen Phänomene vor, während und nach der Verbrennung in Motoren mit Benzindirekteinspritzung (BDE) sind komplex und umfassen unterschiedliche Wechselwirkungen zwischen Flüssigkeiten, Gasen und der umgebenden Brennraumwand. In den letzten Jahren wurden verschiedene Simulationstools und Messtechniken entwickelt, um die an den Verbrennungsprozessen beteiligten Komponenten zu bewerten und zu optimieren. Die Möglichkeit, den gesamten Gestaltungsraum zu erkunden, ist jedoch durch den hohen Aufwand zur Generierung und zur Analyse der nichtlinearen und multidimensionalen Ergebnisse begrenzt. ... mehrDas Ziel dieser Arbeit ist die Entwicklung und Validierung eines Datenanalysewerkzeugs zur Erkenntnisgewinnung. Im Rahmen dieser Arbeit wird der gesamte Prozess als auch das Werkzeug als "Knowledge-Discovery Framework" bezeichnet. Dieses Werkzeug soll in der Lage sein, die im BDE-Kontext erzeugten Daten durch Methoden des maschinellen Lernens zu analysieren. Anhand einer begrenzten Anzahl von Beobachtungen wird damit ermöglicht, die untersuchten Gestaltungsräume zu erkunden sowie Zusammenhänge in den Beobachtungen der komplexen Phänomene schneller zu entdecken. Damit können teure und zeitaufwendige Auswertungen durch schnelle und genaue Vorhersagen ersetzt werden. Nach der Einführung der wichtigsten Datenmerkmale im Bereich der BDE Anwendungen wird das Framework vorgestellt und seine modularen und interdisziplinären Eigenschaften dargestellt. Kern des Frameworks ist eine parameterfreie, schnelle und dynamische datenbasierte Modellauswahl für die BDE-typischen, heterogenen Datensätze. Das Potenzial dieses Ansatzes wird in der Analyse numerischer und experimenteller Untersuchungen an Düsen und Motoren gezeigt. Insbesondere werden die nichtlinearen Einflüsse der Auslegungsparameter auf Einström- und Sprayverhalten sowie auf Emissionen aus den Daten extrahiert. Darüber hinaus werden neue Designs, basierend auf Vorhersagen des maschinellen Lernens identifiziert, welche vordefinierte Ziele und Leistungen erfüllen können. Das extrahierte Wissen wird schließlich mit der Domänenexpertise validiert, wodurch das Potenzial und die Grenzen dieses neuartigen Ansatzes aufgezeigt werden.

The physical and chemical phenomena occurring before, during and after the combustion in Gasoline Direct Injection (GDI) engines are complex and include multiple interactions between liquids, gases and the surrounding materials. In the past years, several simulation tools and measurement techniques have been developed in order to understand and optimize the components involved in the engine combustion processes. However, the possibility to explore the whole design space is limited by the significant efforts required to generate and to evaluate the non-linear and multidimensional results. ... mehrThe aim of this work is to develop and validate a knowledge discovery framework able to analyze the data produced in the GDI context through machine learning methods. These procedures are able to explore and exploit the investigated design spaces based on a limited number of observations, discovering connections and correlations in complex phenomena. Furthermore, costly and time consuming evaluations can be substituted by fast and accurate predictions. After the introduction of the main data characteristics available in this context, the knowledge discovery framework is presented highlighting its modular and interdisciplinary nature. The core of the framework is a parameter-free, fast and dynamic data-driven model selection, which is tailored for the GDI heterogeneous datasets. Its potential is demonstrated on the analysis of numerical and experimental investigations regarding nozzles and engines. In particular, the non-linear influences of the design parameters on inflow and spray characteristics as well as on emissions are extracted from the data. Furthermore, new designs able to achieve predefined objectives and performance are identified based on machine learning predictions. The extracted knowledge is finally validated with the domain expertise, revealing the potential and the limitations of this novel approach.