Validation and optimization of a kinetic model for alcohols combustion using an automatic framework

Reducing greenhouse gases emissions from transportation vehicles requires practical, reliable and short-term solutions. In this context, alcohol fuels and additives are a valid option. Because of their chemical properties compatible with the already existing engines, and the lower amount of CO2 associated with their life cycle (i.e., production and combustion), alcohols and other biomass derived fuels can positively pave the way to decarbonization of the transportation sector. Kinetic models for fuel combustion can guide and support their adoption in existing infrastructures (e.g., internal combustion engines, industrial burners) by allowing the prediction of combustion properties such as ignition delay times, laminar flame speeds and emissions. After a long-lasting effort in developing, assessing and validating mechanistic kinetic models for alcohols pyrolysis and oxidation from the combustion science and engineering community, the strong push towards data driven science is bringing up some major advantages of streamlining and automating the critical steps of data analysis, experiment to experiment and model to experiment comparisons. The SciExpeM framework has been developed to these aims and specifically enables to store experiments, run simulations, analyse and validate kinetic mechanisms, in a recursive fashion to take into account the large number of experimental measurements, or new knowledge resulting from more accurate estimation of model parameters, new models or new experiments. To support these improvements, an unbiased and solid evaluation is achieved by means of an innovative analysis approach called Curve Matching, which besides the quantification of the distances between curves (e.g., sum of squared errors), it considers the differences in shape by also analysing first derivatives and shifts over the dependent variables of interest (e.g., temperature, pressure, residence time…). From the systematic deviations highlighted by this automated and quantitative validation approach, a constrained model optimization can then be performed further improving model performances also with respect to other available models from the literature.

Ridurre le emissioni di gas a effetto serra dei mezzi di trasporto richiede soluzioni a breve termine pratiche e affidabili. In questo contesto, i carburanti e gli additivi a base di alcol possono rappresentare una valida alternativa. Viste le proprietà chimiche compatibili con i motori già esistenti e le minori quantità di CO2 associate al loro ciclo di vita (i.e., produzione e combustione), gli alcoli insieme ad altri combustibili derivati da biomasse, possono avere un ruolo importante nella decarbonizzazione del settore di trasporto. I modelli cinetici che permettono di studiare le proprietà di combustione di questi combustibili (ad esempio il tempo di ignizione, la velocità di fiamma laminare e le emissioni), accelereranno la loro implementazione nelle infrastrutture disponibili (motori a combustione interna, forni industriali, ecc.). Inoltre, accanto agli sviluppi raggiunti nella valutazione e convalida dei modelli cinetici per la pirolisi e la combustione degli alcoli grazie agli sforzi della comunità scientifica ed ingegneristica, il progresso nel campo di Data Science sta portando enormi vantaggi in termine di razionalizzazione e automazione dei passaggi critici nell’analisi dei dati sperimentali e il confronto tra esperimento e modello. La piattaforma SciExpeM è difatti un esempio di coesione degli avanzamenti raggiunti nelle due discipline. Esso consente di memorizzare esperimenti, eseguire simulazioni, analizzare e convalidare meccanismi cinetici in modo ricorsivo per tener conto del gran numero di misurazioni sperimentali, o nuove conoscenze derivanti da stime più accurate dei parametri di un modello, nuovi modelli o nuovi esperimenti. In più, grazie al Curve Matching, un metodo di analisi innovativo che oltre a quantificare la distanza tra curve (e.g. errore quadratico medio) considera anche le differenze nelle forme misurando le derivate prime e lo scostamento lungo le variabili dipendenti di interesse (temperatura, pressione, ecc.), è possibile giungere a valutazioni oggettive indipendenti dal giudizio personale dell’osservatore. A partire dalle deviazioni sistematiche scoperte grazie al Curve Matching, Il modello infine può essere ottimizzato per migliorarne ulteriormente le prestazioni rispetto anche ad altri modelli presenti in letteratura.