تخمین مصرف سوخت در کامیون‌های سنگین: ادغام وزن خودرو در چارچوب‌های یادگیری عمیق

تخمین مصرف سوخت در کامیون‌های سنگین: ادغام وزن خودرو در چارچوب‌های یادگیری عمیق

عدم توجه کافی به دینامیک وزن خودرو در حین رانندگی در دنیای واقعی می‌تواند منجر به تخمین‌های نادرست مصرف سوخت شود. این مطالعه با تجزیه و تحلیل داده‌های عملیاتی گسترده و با وضوح بالا که از 162 کامیون سنگین (HDT) به دست آمده است، تأثیر وزن خودرو بر نرخ مصرف سوخت (FCR) را بررسی کرد. یک مدل مبتنی بر توان خروجی موتور (EOP)، یک مدل شبکه عصبی مصنوعی (ANN) و یک مدل کانولوشن حافظه کوتاه مدت بلند (LSTM-Conv) توسعه داده شدند و با مدل‌های توان ویژه خودرو (VSP) و میکروسکوپی ویرجینیا تک (VT-Micro) مقایسه شدند. نتایج نشان‌دهنده یک رابطه غیرخطی و معنادار بین وزن و FCR بود. در مقایسه با کامیون‌های 5 تنی، FCR برای کامیون‌هایی با وزن 15 تا 25 تن و 45 تا 55 تن به ترتیب 290٪ و 755٪ در شرایط سرعت پایین و شتاب مثبت افزایش یافت. مدل LSTM-Conv با دستیابی به MAPE برابر با ۹.۸۱٪ برای FCR و ۱.۴۹٪ برای تخمین مصرف سوخت سفر، از مدل‌های VSP، VT-Micro و EOP عملکرد بهتری داشت. مدل‌های یادگیری عمیق، پایداری بهبود یافته‌ای را در سرعت‌ها، شتاب‌ها و وزن‌های مختلف خودرو نشان دادند.

مقدمه

پیش‌بینی و تخمین دقیق نرخ مصرف سوخت لحظه‌ای (FCR) خودروها، سنگ بنای پذیرش فناوری‌های صرفه‌جویی در مصرف انرژی مانند رانندگی سازگار با محیط زیست و مسیریابی سازگار با محیط زیست و همچنین کاهش انتشار دی‌اکسید کربن است (Xu و همکاران، 2021؛ Wang و همکاران، 2022a). مدل‌های موجود مصرف سوخت اغلب در بررسی کامل اثرات پیچیده متغیرهای خارجی، مانند وزن خودرو، بر مصرف سوخت در سناریوهای رانندگی در دنیای واقعی، شکست می‌خورند و منجر به عدم قطعیت‌های بالقوه می‌شوند. علاوه بر این، این مدل‌ها معمولاً تحت داده‌های عملیاتی محدود خودرو و شرایط رانندگی محدود توسعه یافته و ارزیابی می‌شوند که منجر به عدم اعتبارسنجی جامع در انواع مختلف خودرو می‌شود (Moradi و Miranda-Moreno، 2020).

مصرف سوخت تحت تأثیر عوامل داخلی و خارجی مختلفی مانند عناصر مرتبط با خودرو (مانند موتور، گیربکس و بار)، رفتارهای رانندگی، شرایط جاده و عوامل محیطی قرار دارد. مدل‌های مرسوم مصرف سوخت مبتنی بر خودرو یا موتور (یا مبتنی بر دینامیک خودرو)، که عمدتاً بر عوامل اساسی مانند سرعت و شتاب خودرو متمرکز هستند، به دلیل محدودیت‌های پیچیدگی مدل، قادر به ثبت جامع عوامل مختلف تأثیر سوخت نیستند (Zhou et al., 2016; Huang et al., 2022). در مقابل، مدل‌های مبتنی بر یادگیری ماشین یا یادگیری عمیق در ثبت روابط پیچیده، چند بعدی و غیرخطی بین عوامل مختلف مهارت دارند. برای دستیابی به دقت و قابلیت اطمینان بالاتر در تخمین مصرف سوخت، این مدل‌ها طیف وسیع‌تری از عوامل، از جمله سرعت خودرو، شتاب، دور موتور، گشتاور موتور و عوامل غیرمستقیم مانند شرایط جاده و آب و هوا را در نظر می‌گیرند. با این حال، به دلیل چالش‌های جمع‌آوری داده‌های جامع در مورد عوامل مؤثر بر مصرف سوخت، اکثر مدل‌های فعلی مبتنی بر یادگیری ماشین یا یادگیری عمیق هنوز به ویژگی‌های عملیاتی خودرو و موتور به عنوان ورودی وابسته هستند. عوامل دیگر، به ویژه وزن خودرو، هنوز در این مدل‌ها گنجانده نشده‌اند.

وزن خودرو، یک عامل حیاتی اما کمتر مورد توجه در مدل‌سازی مصرف سوخت، به طور قابل توجهی بر مصرف سوخت تأثیر می‌گذارد. مطالعات نشان داده‌اند که اضافه کردن ۱۰۰ کیلوگرم بار به وسایل نقلیه سبک (LDV) می‌تواند منجر به افزایش ۵ تا ۹ درصدی مصرف سوخت شود (Fontaras و همکاران، ۲۰۱۷، Fan و همکاران، ۲۰۲۳). نکته قابل توجه این است که کامیون‌های سنگین (HDT) با بار کامل ممکن است مصرف سوخت یا انتشار دی اکسید کربن بیش از ۲۰۰ درصد بیشتر از کامیون‌های بدون بار داشته باشند (Wang و همکاران، ۲۰۲۱b؛ Kan و همکاران، ۲۰۲۲). HDTها اغلب به دلیل ماهیت فعالیت‌های بارگیری و تخلیه کالا، نوسانات وزن مکرر و قابل توجهی را تجربه می‌کنند. یک HDT با وزن بدون بار ۱۸ تن ممکن است در حالت بارگیری کامل به وزن کل ۵۰ تن افزایش یابد و در شرایط نادر، حتی ممکن است از ۱۰۰ تن نیز فراتر رود. گنجاندن داده‌های وزن خودرو در مدل‌های مصرف سوخت، به ویژه برای HDTها، برای افزایش دقت و کاربرد مدل از اهمیت بالایی برخوردار است.

وزن خودرو اغلب به دلیل پیچیدگی‌های کالیبراسیون و محدودیت دسترسی به داده‌های دقیق وزن، به عنوان یک مقدار ثابت در کالیبراسیون مدل در نظر گرفته می‌شود. این غفلت، ارزیابی کامل تأثیر وزن خودرو بر عملکرد مدل را محدود کرده است. علاوه بر این، فقدان داده‌های گسترده و دقیق عملکرد خودرو و اطلاعات مربوط به وزن، مانع بررسی ارتباط پیچیده بین وزن خودرو و ضریب تبدیل سوخت (FCR) شده است. درک ناکافی از تأثیر وزن خودرو بر مصرف سوخت احتمالاً مانع توسعه مدل‌های مصرف سوخت با دقت بالا و اجرای عملی آنها خواهد شد.

یکی دیگر از محدودیت‌های مهم مدل‌های موجود، ماهیت خاص خودرو بودن آنهاست. این مدل‌ها که از مجموعه داده‌های محدودی که فقط انواع خاصی از وسایل نقلیه و شرایط رانندگی خاص را پوشش می‌دهند، مشتق شده‌اند، به طور بالقوه در هنگام اعمال بر طیف وسیعی از دسته‌های خودرو، فاقد قابلیت اطمینان و دقت هستند.

با توجه به این چالش‌ها، تقاضای فزاینده‌ای برای تجزیه و تحلیل کمی با وضوح بالا از تأثیر وزن خودرو بر FCR (به ویژه در هر شرایط سرعت و شتاب) و یک مدل مصرف سوخت با دقت بالا و قوی برای تسهیل بهره‌وری سوخت و کاهش انتشار کربن وجود دارد. به طور خاص، قرار است این مدل به طور جامع عوامل مؤثر بر مصرف سوخت متعدد، ترجیحاً از جمله وزن خودرو، را در بر بگیرد تا در شرایط رانندگی پیچیده دنیای واقعی به دقت بالاتری دست یابد. علاوه بر این، این مدل باید با قابلیت‌های قوی مهندسی شود که بتوان آن را برای پوشش طیف جامع‌تری از انواع وسایل نقلیه و موقعیت‌های رانندگی گسترش داد تا کاربرد گسترده آن تضمین شود.

برای پر کردن این شکاف تحقیقاتی، این مطالعه با هدف ساخت یک مدل یادگیری عمیق با دقت بالا برای تخمین نرخ تبدیل خوراک (FCR) ناوگانی از وسایل نقلیه، با ادغام داده‌های عملیاتی خودرو، مشخصات فنی و اطلاعات وزن، و همچنین بررسی اثرات جامع وزن خودرو بر نرخ تبدیل خوراک و مصرف سوخت کلی سفر انجام شده است. توسعه و اعتبارسنجی مدل بر اساس یک مجموعه داده گسترده متشکل از بیش از 4 میلیون رکورد عملیاتی خودرو از 162 HDT که به صورت ثانیه به ثانیه جمع‌آوری شده‌اند، انجام می‌شود. داده‌ها با استفاده از دستگاه‌های تشخیصی (OBD) داخلی، که یک هفته را پوشش می‌دهند، جمع‌آوری می‌شوند و شرایط رانندگی واقعی متنوعی را با طیف دقیق و جزئی از وزن وسایل نقلیه از 5 تن تا 50 تن در بر می‌گیرند. این مطالعه موارد زیر را ارائه می‌دهد:

۱) بر اساس داده‌های عملیاتی HDT در مقیاس بزرگ، این مطالعه اثرات وزن خودرو بر FCR و مصرف سوخت سفر را از دو دیدگاه سطح خرد (اثرات فوری و جزئی) و سطح کلان (اثر گسترده‌تر و بلندمدت) بررسی کرد. نتایج، تأثیرات قابل توجه و غیرخطی وزن خودرو بر FCR را در شرایط عملیاتی متنوع برجسته می‌کند.

۲) یک مدل مبتنی بر توان خروجی موتور (EOP)، یک شبکه عصبی مصنوعی (ANN) و یک شبکه کانولوشن حافظه کوتاه‌مدت بلند (LSTM-Conv) توسعه داده شدند. اثربخشی آنها ارزیابی و با مدل‌های توان ویژه خودرو (VSP) و میکروسکوپی ویرجینیا تک (VT-Micro) مقایسه شد. یافته‌ها نشان می‌دهد که مدل‌های یادگیری عمیق، به ویژه مدل LSTM-Conv، هنگام ادغام اطلاعات وزن خودرو، عملکرد پیش‌بینی را به طرز چشمگیری بهبود می‌بخشند.

۳) این مطالعه عملکرد این مدل‌ها را در سرعت‌ها، شتاب‌ها و شرایط وزنی مختلف خودرو ارزیابی کرد و پایداری برتر نشان داده شده توسط مدل‌های یادگیری عمیق را نشان داد.(منبع).