Мультизадачная оптимизация параметров гибридного лазерного процесса очистки от углеродных отложений на основе байесовского SVR и NSGA-II

Почему чистые двигатели важны

Те, кто ездит на автомобиле много лет, наверняка замечали, что со временем двигатель теряет часть своей мощности. Одним из скрытых виновников является прочный, сажистый слой углерода, который постепенно покрывает верхушки поршней, снижая экономичность и повышая выбросы. В этом исследовании рассматривается новый лазерный метод, позволяющий эффективно удалять такие отложения, сохраняя при этом металл под ними. Также показано, как современные инструменты работы с данными позволяют настроить процесс в компьютере, сокращая необходимость проб и ошибок в мастерской.

Проблема упрямой сажи в двигателе

В работающем двигателе топливо сгорает не идеально. Со временем тонкие слои углерода накапливаются на головках каждого поршня. Эти отложения изменяют форму камеры сгорания, понижают эффективность, увеличивают расход топлива и усиливают вредные выбросы. В крайних случаях они могут вызвать детонацию и даже повредить двигатель. Традиционные методы очистки опираются на химические реагенты, струйную обработку или ручное соскабливание. Такие подходы грязные, медленные, могут сделать поверхность металла более шершавой или вызвать его растрескивание, а также создавать экологические проблемы из‑за отходов и растворителей.

Более разумный способ очистки

Исследователи сосредоточились на «гибридной» лазерной системе очистки, которая сочетает два типа промышленных лазерных лучей: непрерывный луч, который мягко предварительно нагревает и размягчает углерод, и импульсный луч, дающий короткие мощные вспышки для его удаления. Они испытали этот подход на использованных поршнях от двигателя BMW с большим пробегом, чьи головки были покрыты углеродом толщиной примерно с человеческий волос. Успех оценивали по двум простым метрикам: насколько гладкой стала поверхность металла после очистки и сколько углерода осталось. Сложность в том, что чрезмерно мощная обработка может полностью удалить углерод, но оставить повреждённую, шероховатую поверхность; слишком щадящая — защитит металл, но оставит слишком много остатков.

Дать данным возможность настроить процесс

Вместо ручной настройки параметров лазера команда обратилась к машинному обучению — компьютерным моделям, которые выявляют закономерности в данных. На основе 81 тщательно спланированного эксперимента они записали четыре ключевых регулятора в системе очистки: мощность каждого лазера, скорость, с которой луч скользит по поверхности, и частоту импульсов. Затем они обучили несколько типов моделей предсказывать шероховатость поверхности и оставшийся углерод по этим настройкам. Метод опорных векторов для регрессии (SVR) показал наилучшие результаты, особенно после дополнительной байесовской настройки внутренних параметров. С улучшенной моделью предсказания оставшегося углерода стали гораздо ближе к измеренным значениям.

Баланс между чистотой и деликатностью

Имея надёжные предикторы, авторы применили эволюционный метод поиска для поиска наиболее перспективных настроек лазера. Вместо одного «лучшего» рецепта поиск дал семейство решений, представляющих компромисс между гладкостью и чистотой. Некоторые настройки давали исключительно гладкие короны поршней, но оставляли немного больше углерода; другие резко уменьшали остатки, но при этом поверхность становилась слегка шероховатой. Внутри этого семейства исследователи выделили три типичных варианта: опция с низкой шероховатостью, опция с низким остатком и сбалансированная настройка между ними. При проверке сбалансированного рецепта в новых экспериментах и шероховатость, и оставшийся углерод оказались в пределах 10 процентов от предсказаний модели — достаточно точно для допусков мастерской.

Что это значит для двигателей и не только

Для широкой аудитории вывод прост: направление на грязные детали двигателей — это лишь часть истории. Главное достижение — использование данных и алгоритмов для осознанного управления лучами. Исследование показывает, что даже при скромном объёме экспериментов компьютеры могут помочь выявить «зоны оптимальной работы», которые могли бы ускользнуть при ручном подборе, сокращая отходы и защищая компоненты. Авторы подчёркивают, что их результаты относятся к конкретным протестированным условиям и что для более широкой обобщаемости потребуются большие наборы данных. Тем не менее работа указывает на будущее, в котором очистка и восстановление ценных деталей — от автомобильных двигателей до авиационных компонентов — могут стать чище, безопаснее и энергоэффективнее за счёт сочетания современных лазеров и оптимизации на основе данных.

Цитирование: Su, Y., Hu, Y., Zhang, Q. et al. Multi-objective optimization of hybrid laser cleaning process parameters for carbon deposits based on bayesian-SVR and NSGA-II. Sci Rep 16, 8681 (2026). https://doi.org/10.1038/s41598-026-41748-0

Ключевые слова: лазерная очистка, углеродные отложения двигателя, оптимизация с помощью машинного обучения, многозадачное проектирование, шероховатость поверхности