Modeling and Optimization of a Four-Stroke Engine for a Shell Eco-Marathon Prototype Vehicle

Nowadays, the automotive industry has developed increasing awareness of environmental issues. In this framework, Shell Eco-Marathon is a relevant context which encourage the research for sustainable mobility. The development of ultra-efficient vehicles is a complex mission which requires strong integration between lightweight design, aerodynamic analysis and powertrain development. This thesis presents the modeling and the numerical optimization of the internal combustion powertrain for the new Green Mecc Prototype vehicle, designed for Shell Eco-marathon competition. The work focuses on the Honda GX35 engine, selected as baseline power unit due to its compact size, reliability, and documented potential for high-efficiency applications. The numerical model was implemented in the Gasdyn one-dimensional simulation environment. Starting from the original Honda GX35 configuration, the model was built and calibrated using available reference data and experimental information. Then, the baseline model was employed for the optimization activities. At vehicle level, a Matlab point-mass model was implemented to simulate the Prototype motion along the selected track. The model includes all the resistance sources to the motion. A genetic algorithm was then used to optimize a driving strategy. The resulting strategy identified the main engine operating region and provided the connection between the vehicle mission and the following engine-level optimization. The engine optimization was performed through a neural-network-based surrogate model trained on Gasdyn simulations generated using Design of Experiments. The dataset was focused on the operating point selected by the vehicle strategy, in order to improve prediction accuracy in the region of practical interest. The final neural network was used to optimize the selected design variables. This strategy is a powerful tool which allows to reduce the time and computational costs of Gasdyn modeling and simulation. The optimized configuration was then verified through direct Gasdyn simulations, showing agreement between surrogate predictions and physical model results. Morever, the optimization results demonstrate the potential of the Honda GX35 as a basis for the Green Mecc Prototype powertrain and confirm the value of combining one-dimensional engine simulation, vehicle-level strategy optimization, and neural-network-based surrogate modeling. However, the outcome must be interpreted as a preliminary numerical assessment. Further work is required to physically implement the proposed modifications and experimentally validate the engine model.

Al giorno d’oggi, l’industria automotive ha sviluppato una crescente attenzione verso le tematiche ambientali. In questo contesto, la Shell Eco-marathon rappresenta un ambito rilevante che incoraggia la ricerca nel campo della mobilità sostenibile. Lo sviluppo di veicoli ad altissima efficienza è una sfida complessa, che richiede una forte integrazione tra ottimizzazione del peso, ottimizzazione aerodinamica e sviluppo del powertrain. Questa tesi presenta la modellazione e l’ottimizzazione numerica del powertrain a combustione interna per il nuovo veicolo Prototipo del team Green Mecc, progettato per la competizione Shell Eco-marathon. Il lavoro si concentra sul motore Honda GX35, selezionato come motore di riferimento per le sue dimensioni compatte, la sua affidabilità e il suo potenziale documentato in applicazioni ad alta efficienza. Il modello numerico è stato implementato nell’ambiente di simulazione monodimensionale Gasdyn. A partire dalla configurazione originale del motore Honda GX35, il modello è stato costruito e calibrato utilizzando dati di riferimento disponibili e informazioni sperimentali. Successivamente, il modello di riferimento è stato impiegato per le attività di ottimizzazione. A livello veicolo, è stato implementato in Matlab un modello a massa puntiforme per simulare il moto del Prototype lungo il tracciato selezionato. Il modello include tutte le principali resistenze al moto. Un algoritmo genetico è stato quindi utilizzato per ottimizzare la strategia di guida. La strategia ottenuta ha permesso di identificare la principale regione operativa del motore e ha fornito il collegamento tra la missione del veicolo e la successiva ottimizzazione a livello motore. L’ottimizzazione del motore è stata condotta tramite un modello surrogato basato su rete neurale, addestrato su simulazioni Gasdyn generate mediante Design of Experiments. Il dataset è stato focalizzato sul punto operativo selezionato dalla strategia veicolo, al fine di migliorare l’accuratezza predittiva nella regione di maggiore interesse pratico. La rete neurale finale è stata utilizzata per ottimizzare le variabili di progetto selezionate. Questa strategia rappresenta uno strumento efficace per ridurre i tempi e i costi computazionali associati alla modellazione e alla simulazione in Gasdyn. La configurazione ottimizzata è stata quindi verificata mediante simulazioni dirette in Gasdyn, mostrando un buon accordo tra le previsioni del modello surrogato e i risultati del modello fisico. Inoltre, i risultati dell’ottimizzazione dimostrano il potenziale del motore Honda GX35 come base per il powertrain del Prototype Green Mecc e confermano il valore dell’integrazione tra simulazione motore monodimensionale, ottimizzazione della strategia veicolo e modellazione surrogata basata su rete neurale. Tuttavia, i risultati ottenuti devono essere interpretati come una valutazione numerica preliminare. Ulteriori sviluppi saranno necessari per implementare fisicamente le modifiche proposte e validare sperimentalmente il modello motore.