基于多任务学习与NSGA-II的船用甲醇发动机多目标优化研究

《Fuel》：Multi-objective optimization for a spark ignition methanol marine engine based on multi-task learning and NSGA-II

本文创新性地将多任务学习神经网络（MEPE）与非支配排序遗传算法（NSGA-II）结合，构建了船用甲醇发动机性能与排放的集成预测-优化模型。该模型在保证预测精度（R2>0.99）的同时，实现了制动燃油消耗率（BSFC）和氮氧化物（NOx）的协同优化，为清洁船舶动力系统开发提供了高效算法支持。

　　

亮点

本研究提出了一种新型发动机预测模型MEPE，用于捕捉运行参数与发动机性能及排放之间的非线性关系，并开发了集成优化算法MEPE-NSGA-II，通过调整控制参数降低火花点火式船用甲醇发动机的制动燃油消耗率（BSFC）和氮氧化物（NO_x）排放。结果表明：

（1）与常见的机器学习模型相比，MEPE模型在所有性能和排放目标上均表现出更高的准确性和鲁棒性。

结论

本研究提出了一种新型发动机预测模型MEPE，用于捕捉运行参数与发动机性能及排放之间的非线性关系，并开发了集成优化算法MEPE-NSGA-II，通过调整控制参数降低火花点火式船用甲醇发动机的制动燃油消耗率（BSFC）和氮氧化物（NO_x）排放。研究结果显示：

• •
  MEPE模型在所有性能和排放目标上均比常见机器学习模型具有更高的精度与鲁棒性。