SwRI automatiza la calibración de emisiones de camiones pesados

El Southwest Research Institute (SwRI), una organización independiente sin fines de lucro que realiza investigación y desarrollo aplicados para clientes gubernamentales e industriales, anunció que ha desarrollado un método para automatizar la calibración de los sistemas de control de emisiones de camiones diésel de servicio pesado utilizando aprendizaje automático y optimización basada en algoritmos.

El Southwest Research Institute utilizó herramientas de aprendizaje automático para calibrar automáticamente los sistemas SCR, ajustando los controles para reducir las emisiones totales de NOx y amoníaco por el tubo de escape. (Fuente: Southwest Research Institute)

Los sistemas de postratamiento de gases de escape más recientes suelen tardar semanas en calibrarse. Se dice que el nuevo método de SwRI permite calibrarlos en tan solo dos horas.

«La calibración manual de los sistemas de reducción catalítica selectiva (SCR) es un proceso laborioso que suele requerir seis o más semanas de pruebas y trabajo», afirmó Venkata Chundru, ingeniero de investigación sénior de la Sección de Algoritmos Avanzados del SwRI. «Al combinar el modelado avanzado con la optimización automatizada, podemos acelerar la calibración y mejorar el rendimiento del sistema, garantizando al mismo tiempo el cumplimiento de las próximas normas».

Las nuevas normas de la Agencia de Protección Ambiental de EE. UU. (EPA) y la Junta de Recursos del Aire de California (CARB) entrarán en vigor en 2027, regulando la cantidad de óxidos de nitrógeno (NOx) que un vehículo puede emitir en proporción a la energía consumida. SwRI ha finalizado varios proyectos que mejoran las tecnologías automotrices existentes, logrando que cumplan o superen ampliamente las nuevas normas.

Como continuación de este trabajo, la División de Ingeniería de Sistemas de Propulsión de SwRI ha desarrollado un método para automatizar la calibración de los sistemas SCR para motores diésel. La mayoría de los sistemas SCR controlan las emisiones del motor mediante una solución a base de amoníaco, como el fluido de escape diésel a base de urea, que se inyecta en el flujo de escape. El fluido de escape dosificado interactúa con un catalizador, generando una reacción química que convierte los NOx en agua y nitrógeno inocuos.

El equipo del proyecto creó un modelo de aprendizaje automático basado en redes neuronales con fundamentos físicos que aprende tanto de los datos como de las leyes de la física, lo que, según se afirma, proporciona resultados más rápidos y precisos. Mediante simulaciones de un sistema SCR activo, el equipo pudo optimizar el control de la dosificación de urea para reducir las emisiones totales de NOx y amoníaco, e identificar rápidamente la configuración óptima para los motores. El modelo aprendió entonces a identificar esta configuración y a mapear los procesos de calibración, lo que permite una automatización completa.

«En comparación con la calibración manual, el método que desarrollamos ofreció consistentemente tiempos de calibración más rápidos y una mayor eficiencia en la conversión de NOx, entre otros beneficios», afirmó Chundru. «Nos proporciona una vía escalable y rentable para futuras aplicaciones de servicio pesado».