Responsvlak- en TQM-ML-analyse van een PCCI-motor aangedreven met dennenolie en microalgen-biodiesel

Schoonere kracht uit vertrouwde motoren

De meeste auto’s, vrachtwagens en generatoren vertrouwen nog steeds op dieselmotoren, die efficiënt zijn maar berucht om rokerige uitlaatgassen en broeikasverhogende emissies. Deze studie onderzoekt of we de basale dieselmotor kunnen behouden, maar laten draaien op een slimmer mengsel van hernieuwbare brandstoffen en datagedreven afstemming, zodat hij schoner verbrandt zonder ingrijpende hardwareveranderingen. Door dennenolie te mengen met biodiesel uit microalgen en vervolgens gevorderde statistiek, machine learning en kwaliteitscontroles toe te passen, brengen de auteurs in kaart hoe je meer bruikbare energie kunt krijgen met minder roet en koolmonoxide—terwijl ze eerlijk zijn over een blijvende uitdaging: stikstofoxidevervuiling.

Een nieuwe manier om een dieselmotor te voeden

De onderzoekers werkten met een eencilinder-dieselmotor waarvan de compressieverhouding—de mate waarin het lucht-brandstofmengsel wordt samengedrukt—variabel is. In plaats van uitsluitend op fossiele diesel te vertrouwen, gebruikten ze een dual-fuel-opstelling. Een kleine "pilot" injectie van brandstof (ofwel zuivere diesel of diesel met 10 of 20 procent microalgen-biodiesel) werd rechtstreeks in de cilinder gespoten om ontsteking te veroorzaken. Tegelijkertijd werd dennenolie in de inlaat gesproeid zodat het zich grondig met de binnenstromende lucht kon mengen vóór compressie. Dennenolie is zuurstofrijk, dun en zeer vluchtig, wat helpt bij verdamping en mengen; microalgen-biodiesel is reactiever en helpt bij betrouwbare ontsteking. Door de compressieverhouding, motorbelasting en de hoeveelheid dennenolie die conventionele brandstof verving (10, 20 of 30 procent) aan te passen, verkende het team systematisch het gedrag van deze combinatie.

Prestaties en uitlaatmetingen

Gedurende tientallen zorgvuldig herhaalde tests mat het team hoe efficiënt de motor brandstof in vermogen omzette en hoeveel vervuiling er vrijkwam. Ze richtten zich op remthermische efficiëntie (hoeveel van de brandstofenergie het krukas bereikt), brandstofverbruik per eenheid vermogen en belangrijke uitlaatcomponenten: koolmonoxide, onverbrande koolwaterstoffen, stikstofoxiden en zichtbare rook. Ze ontdekten dat de efficiëntie over het algemeen toenam naarmate motorbelasting en compressieverhouding hoger werden, met een piek rond 60–80 procent van de maximale belasting. Het toevoegen van dennenolie tot ongeveer 30 procent, vooral in combinatie met een pilotbrandstof met 10 procent microalgen-biodiesel, verlaagde het brandstofverbruik bij nuttige belastingen licht en verminderde rook en onverbrande koolwaterstoffen dramatisch. De prijs voor deze winst was een toename van stikstofoxiden, die de neiging hebben te vormen bij hogere temperaturen wanneer er voldoende zuurstof aanwezig is.

Data leiden naar de optimale instelling

Aangezien compressieverhouding, belasting en brandstofmengsel op complexe manieren met elkaar interageren, grepen de auteurs naar statistische en machine-learningtools om het "sweet spot" te vinden in plaats van één instelling tegelijk te veranderen. Met response surface methodology—een gestructureerde manier om gekromde oppervlakken door experimentele data te passen—bouwden ze vergelijkingen die motorinstellingen koppelen aan prestaties en emissies en lieten vervolgens software de efficiëntie maximaliseren terwijl vervuiling geminimaliseerd werd. Parallel daaraan trainden ze negen verschillende machine-learningmodellen op dezelfde dataset. Gradient boosting, een moderne ensembletechniek, bleek het meest nauwkeurig en voorspelde de meeste uitkomsten binnen een paar procent van de gemeten waarden. Om "black box"-beslissingen te vermijden, gebruikten ze een methode genaamd SHAP om te laten zien welke factoren het meest wogen: motorbelasting en compressieverhouding domineerden efficiëntie en stikstofoxiden, terwijl het aandeel dennenolie sterk van invloed was op rook, koolmonoxide en onverbrande brandstof.

Betrouwbaarheid en langetermijneffecten checken

Naast de ruwe cijfers paste de studie industriële kwaliteitsmanagementideeën toe—veelgebruikt in fabrieken—op het motorlaboratorium. Herhaalde tests, formele onzekerheidsschattingen en "process capability"-controles bevestigden dat de metingen stabiel waren en dat de geoptimaliseerde bedrijfsregio geen toevalligheid was. Ten slotte vergeleken de auteurs verschillende brandstofstrategieën met een beslissingsmatrix die efficiëntie, emissies, hernieuwbaarheid, koolstofvoetafdruk, praktische haalbaarheid en veiligheid wogen. De combinatie van een pilotbrandstof met 10 procent microalgen-biodiesel, 30 procent dennenolie en een hoge compressieverhouding scoorde consequent het hoogst, dankzij betere efficiëntie, veel minder rook en koolmonoxide en een groter aandeel hernieuwbare brandstof, zelfs nadat rekening was gehouden met de hogere uitstoot van stikstofoxiden en de iets zwaardere eisen aan hantering.

Wat dit betekent voor toekomstige motoren

Kort gezegd laat het werk zien dat een gewone dieselmotor, gevoed met een doordacht gekozen mengsel van dennenolie en microalgen-biodiesel en afgesteld met moderne datatools, meer bruikbare arbeid kan leveren terwijl hij minder zichtbare roetdeeltjes en enkele andere schadelijke gassen uitstoot. De aanpak lost het stikstofoxideprobleem nog niet op, maar verschuift het compromis in een schonere richting en biedt een praktisch pad om meer hernieuwbare brandstoffen in bestaande motoren te gebruiken. Met verdere aanpassingen—zoals recirculatie van uitlaatgassen of fijnere controle van injectietiming—zou dit soort dual-fuel, data-geoptimaliseerde opstelling kunnen helpen de kloof te overbruggen tussen de huidige fossiele motoren en een lager-koolstoftoekomst.

Bronvermelding: Al Awadh, M., Michael, G.K.O. Response surface and TQM-ML analysis of a PCCI engine fueled with PO and microalgae biodiesel. Sci Rep 16, 10256 (2026). https://doi.org/10.1038/s41598-026-40929-1

Trefwoorden: dieselmotoren, biobrandstoffen, dennenolie, microalgen-biodiesel, machine learning in verbranding