低炭素エンジン性能のための適応噴射位相とメタノール混合最適化：メタ分析と機械学習フレームワークによるCCS統合

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Provides a validated ML meta-model for methanol engine optimization with high predictive accuracy, useful for combustion researchers.

🏢実務担当者:Offers actionable insights on methanol blend ratios (25-30%) and SOI timing (-30 to -35° CA) for low-carbon engine design.

ネットゼロ移動への移行は、世界的な脱炭素目標に沿ったものであり、クリーン燃焼燃料およびカーボンニュートラルなエネルギーキャリアとしてのメタノールへの関心を高めている。最適に混合された場合、メタノールの高オクタン価、強いチャージ冷却効果、および内在する酸素含有量は、正味熱効率（BTE）を向上させ、予混合燃焼を改善し、火花点火エンジンと圧縮着火エンジンの両方でノッキングを抑制する。本研究は、メタ分析、物理情報に基づくモデリング、および機械学習を統合し、メタノール混合率、噴射開始時期（SOI）位相、およびエンジン性能の間の予測関係を確立する。メタ分析により、SOIの進角とBTEの間に有意な正の相関（r = 0.74、95% CI: 0.60–0.85）が明らかになり、中程度の不均一性（I² = 38–45%）が示された。最適な性能は、メタノール混合率25–30%、SOIが−30°から−35° CA aTDCの範囲で達成され、効率向上と排出ガス制約のバランスが取れた。定量的モデル評価では、高い予測精度（R² ≈ 0.99、RMSE < 0.30）が実証され、典型的な機械学習燃焼モデル（R² ≈ 0.91–0.97）を上回った。SHAPに基づく感度分析により、メタノール混合率（0.125 ± 0.015）とSOI（0.082 ± 0.010）がシステム挙動を制御する支配的パラメータであることが確認された。モデル比較では、XGBoostが最高精度（MAE = 0.01 °CA、RMSE = 0.02 °CA、R² = 0.985）を達成し、Random Forest（R² = 0.90）および物理情報に基づく相関モデル（R² = 0.93）を上回った一方、線形回帰は非線形相互作用を捕捉できないため、劣った性能（R² = 0.90）を示した。残差分析（±0.4 BTE）および95%信頼帯（±0.42 BTE）による検証により、強い予測信頼性と一般化が確認された。二酸化炭素回収・有効利用（CCU）経路とメタノール合成の統合は、閉ループCO₂利用をさらに支援し、カーボンニュートラルおよびカーボンネガティブ用途におけるメタノールの可能性を強化する。全体として、これらの知見は、次世代の低排出エンジンシステムを進展させるための、適応型AI駆動SOI最適化および統合CCU戦略の重要性を強調している。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The transition to net-zero mobility, aligned with global decarbonization targets, has intensified interest in methanol as a clean combustion fuel and carbon-neutral energy carrier. When optimally blended, methanol’s high-octane rating, strong charge-cooling effect, and inherent oxygen content enhance brake thermal efficiency (BTE), improve premixed combustion, and suppress knock in both spark- and compression-ignition engines. This study integrates meta-analysis, physics-informed modelling, and machine learning to establish predictive relationships between methanol blend ratio, start-of-injection (SOI) phasing, and engine performance. Meta-analysis revealed a significant positive correlation between SOI advancement and BTE (r = 0.74, 95% CI: 0.60–0.85), with moderate heterogeneity (I² = 38–45%). Optimal performance was achieved at methanol blend ratios of 25–30% with SOI between −30° and −35° CA aTDC, balancing efficiency gains with emission constraints. Quantitative model evaluation demonstrated high predictive accuracy (R² ≈ 0.99, RMSE &lt; 0.30), exceeding typical machine learning combustion models (R² ≈ 0.91–0.97). SHAP-based sensitivity analysis confirmed that methanol blend ratio (0.125 ± 0.015) and SOI (0.082 ± 0.010) are dominant parameters controlling system behaviour. Model comparison showed that XGBoost achieved the highest accuracy (MAE = 0.01 °CA, RMSE = 0.02 °CA, R² = 0.985), outperforming Random Forest (R² = 0.90) and the physics-informed correlation model (R² = 0.93), while linear regression exhibited inferior performance (R² = 0.90) due to its inability to capture nonlinear interactions. Residual analysis (±0.4 BTE) and validation with 95% confidence bands (±0.42 BTE) confirmed strong predictive reliability and generalisation. The integration of carbon capture and utilization (CCU) pathways with methanol synthesis further supports closed-loop CO₂ utilisation, reinforcing methanol’s potential in carbon-neutral and carbon-negative applications. Overall, the findings highlight the importance of adaptive, AI-driven SOI optimisation and integrated CCU strategies for advancing next-generation low-emission engine systems.

• openalex https://doi.org/10.70917/jcc-2026-015first seen 2026-07-22 05:04:12
• semanticscholar https://cspub-jcc-submission.org/index.php/jcc/article/download/452/337first seen 2026-07-23 05:57:15 · last seen 2026-09-22 04:57:27