Impulsado por el auge del comercio electrónico y los servicios de envío rápido como Amazon, los consumidores esperan que sus productos lleguen a la puerta de su casa en cuestión de días e incluso horas, no de semanas. Esta cultura bajo demanda coincide con la expansión de las tecnologías de transporte, conectividad, y automatización, y juntos, Estos cambios están sacudiendo una piedra angular importante del transporte estadounidense:nuestra dependencia vital de los camiones de servicio mediano y pesado.

Los camiones de clase 8 entregan alrededor del 80 por ciento de los bienes en los Estados Unidos y representan alrededor del 22 por ciento del uso total de energía del transporte. Su importante papel en la habilitación de transacciones comerciales y el consumo de combustible los convierte en los principales objetivos de cambio que respaldarán mejor las cambiantes necesidades de movilidad y entrega de Estados Unidos.

Para satisfacer las necesidades futuras, El Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) está a la vanguardia de la investigación para mejorar la eficiencia y la utilización de estos vehículos, menores emisiones, y reducir la dependencia estadounidense del petróleo extranjero. Los investigadores del laboratorio abordan este trabajo en múltiples frentes.

Junto con conceptos y controles de motor avanzados y pioneros, Los investigadores evalúan las tecnologías emergentes para empoderar a los tomadores de decisiones en los sectores público y privado. Estos esfuerzos de investigación se ven reforzados por las asociaciones de la industria y el gobierno, y aprovechando las instalaciones de clase mundial de Argonne y colaborando entre disciplinas para acelerar la innovación.

Con diversos conocimientos y recursos para recetas de combustión fundamentales y evaluación de vehículos, modelado multifísico de alta fidelidad, aprendizaje automático, y analítica predictiva, Argonne contribuye a la evolución de la tecnología de servicio medio y pesado para el futuro.

Asociación para ser pioneros en motores avanzados

Argonne aporta su experiencia en tecnología para trabajos pesados ​​y medios para dos colaboraciones importantes que están impulsando la eficiencia. Uno es la Asociación de camiones del siglo XXI del DOE, donde el gobierno y los socios de la industria han unido fuerzas para identificar áreas de investigación de necesidad y acelerar el desarrollo de nueva tecnología.

Argonne también trabaja con Navistar en el SuperTruck II de DOE, una colaboración a gran escala en la que equipos de fabricantes están trabajando para mejorar significativamente la eficiencia de los camiones de Clase 8. Los objetivos específicos incluyen un aumento del 100 por ciento en la eficiencia del transporte y del 55 por ciento en la eficiencia térmica de los frenos, que mide qué tan bien un motor convierte la energía del combustible en energía mecánica.

A través de esta colaboración, Los investigadores de Argonne están trabajando para identificar enfoques de combustión avanzados que puedan cumplir estos objetivos de eficiencia. Este trabajo se basa en el SuperTruck I del DOE, que tenía objetivos similares y en el que Argonne también se asoció con Navistar.

"Estamos entusiasmados de volver a colaborar con Navistar en este importante trabajo. Queremos utilizar nuestra amplia experiencia en motores experimentales para desarrollar enfoques innovadores para mejorar la eficiencia, ", Dijo Thomas Wallner, director de investigación y jefe de proyectos de ingeniería de Argonne.

Optimización de motores de alta eficiencia

La optimización es necesaria para diseñar motores más eficientes y no solo requiere una comprensión profunda de cómo los materiales y los componentes trabajan juntos, pero también herramientas que pueden comprender rápidamente los procesos de combustión. Argonne cumple ambos aspectos con su experiencia combinada en modelado de combustión y capacidades informáticas de alto rendimiento.

Los fabricantes de camiones y otras partes interesadas aprovechan estas dos capacidades para acelerar el desarrollo de piezas de motor avanzadas, como los sistemas de encendido avanzados. El CRADA (acuerdo cooperativo de investigación y desarrollo) en curso de Argonne con Cummins y Convergent Science Inc. ejemplifica el valor que estas capacidades aportan al proceso.

En esta asociación, Los expertos de Argonne están optimizando los modelos de inyectores de pulverización de combustible utilizados en el diseño interno de la empresa. Los modelos predicen un fenómeno conocido como cavitación, por el cual el combustible se convierte de líquido a vapor. El proceso puede erosionar el inyector y obstaculizar el rendimiento si no se aborda antes de la producción.

Tener una comprensión clara de cómo se produce la cavitación puede permitir mejoras que solucionen o mitiguen el problema, y el empleo de modelos computacionales en el proceso ahorra tiempo y dinero.

"Utilizando métodos de modelado y computación de alto rendimiento, puede predecir el problema y comprender cómo y por qué está sucediendo, que ahorra a la industria en costes experimentales, ", dijo el gerente de la sección de multifísica computacional de Argonne, Sibendu Som." El tiempo y el dinero que ahorra, puede utilizar métodos de ingeniería para abordar el problema, ya sea que eso signifique cambiar el material o el diseño o la posición de las piezas ".

Optimización de operaciones

La eficiencia se puede mejorar no solo optimizando el motor, sino también optimizando los controles individuales del vehículo y la entrega de mercancías. Las rutas y los controles más inteligentes pueden ayudar a mejorar la eficiencia del combustible y el ahorro de costos y, a nivel del sistema, minimizar la congestión y otras interrupciones.

Entonces, además de la optimización del motor, Los investigadores de Argonne modelan la energía y la movilidad en sistemas urbanos completos para evaluar el impacto de las tecnologías emergentes. También exploran formas de evaluar las rutas basadas en el uso de combustible, tiempo, e impactos ambientales. Dichos modelos pueden ayudar a las empresas a maximizar la eficiencia operativa al recomendar rutas que ahorran energía y tiempo y las tecnologías de vehículos más adecuadas para rutas específicas. por ejemplo.

Los investigadores aprovechan el aprendizaje profundo para optimizar sus modelos. El aprendizaje profundo es una forma de aprendizaje automático que utiliza una clase de algoritmos denominados "redes neuronales profundas, "que imitan los procesos de señales simples del cerebro de una manera jerárquica. Son particularmente útiles para analizar propiedades complejas.

"Ahorrar tiempo en la simulación nos permite hacer muchas más preguntas sobre cómo se utilizarán los vehículos en el futuro y cómo las nuevas tecnologías influirán en ellos. El gerente de simulación de vehículos y movilidad, Aymeric Rousseau, dijo:"Nuestro objetivo es eventualmente emplear el aprendizaje automático para mejorar la eficiencia operativa sin la necesidad de simulaciones de alta fidelidad".

Evaluaciones del mundo real de tecnologías emergentes

Ser adoptado, En primer lugar, se debe probar que las nuevas tecnologías para trabajos pesados ​​y medianos satisfacen las necesidades de una industria específica. y ofrecer beneficios superiores. Argonne puede evaluar varias tecnologías de servicio mediano y pesado para brindar esos conocimientos, ayudar a los tomadores de decisiones a comprender dónde deben colocarse las inversiones y los esfuerzos de investigación y desarrollo.

En un proyecto para Fedex, Los investigadores compararon uno de los vehículos de servicio mediano de la compañía con dos vehículos eléctricos de etapa inicial y compararon su desempeño con un modelo de motor diesel de referencia. El análisis de Argonne se centró en medir el consumo energético relativo de cada tecnología.

Para proporcionar información sobre el mundo real, los investigadores utilizaron las herramientas de prueba avanzadas de Argonne, incluyendo sus dinamómetros internos y celda de prueba que puede simular una amplia gama de condiciones ambientales. Combinaron las pruebas con un análisis de costos basado en muestras de rutas patentadas.

Este trabajo generó datos fácticos críticos que ayudaron a Fedex a comprender qué tecnologías eran más rentables en función de su consumo de energía. y ayudó a orientar las decisiones de inversión empresarial.

"Nuestro análisis hace muchas cosas, incluyendo ayudar a las partes interesadas a comprender qué tecnologías reducen los costos y benefician a los consumidores y al medio ambiente, no solo para hoy, sino también para mañana, ", dijo el ingeniero de investigación Forrest Jehlik.

"También podemos ayudar a los socios de la industria a adaptar sus necesidades a la tecnología adecuada. Por ejemplo, podemos ayudar a una empresa a comprender cuánta energía de la batería necesitarían para respaldar sus operaciones mediante el uso de vehículos eléctricos. Dado que el costo de estos vehículos está determinado en gran medida por el costo de la batería y la electrónica de alta potencia, tener este tipo de información puede proporcionar ahorros reales ".

Optimización del sistema

El alcance completo de las capacidades de análisis de Argonne no se limita a los análisis de costos; profundiza aún más con la ayuda de modelos amplios. Con su modelo GREET patentado, Argonne puede ofrecer análisis completos del ciclo de vida del carbono para hasta 85 combinaciones diferentes de vehículos y combustibles. Además, Las herramientas de modelado POLARIS y Autonomie de Argonne permiten a los investigadores modelar la movilidad y la energía en ciudades enteras.

El laboratorio seguirá ampliando los límites de la tecnología media y pesada desde todos los ángulos diferentes. Las capacidades y enfoques multifacéticos de Argonne están ayudando a la nación a lograr la independencia energética y respaldar la innovación en todo el sector energético.

"La pregunta no es si las cosas cambiarán, pero cómo, ", Dijo Rousseau." Brindamos información para ayudar a nuestros socios a comprender cómo las cosas pueden cambiar y les permite tomar decisiones sobre cómo prepararse para esos cambios futuros ".