Académique Documents
Professionnel Documents
Culture Documents
Soutenue le 12/07/2016
JURY
Directeur de Thèse : Xavier TAUZIA, Maitre des Conférences HDR, Ecole Centrale de Nantes
Co-encadrant de Thèse (13) : Alain MAIBOOM, Maitre des Conférences, Ecole Centrale de Nantes
Remerciements
Cette thèse a été effectuée dans le cadre d'une Convention Industrielle de Formation par la Recherche
(CIFRE), qui est un programme de l'Agence française Association Nationale de la Recherche et de la
Technologie (ANRT), coordonné par le Centre National de la Recherche Scientifique (CNRS). Le
programme CIFRE est destiné aux entreprises françaises qui engagent un doctorant pour mener un
projet de recherche de l'entreprise au sein d'un laboratoire de recherche public. Pour cette thèse, une
convention CIFRE a été accordée entre l'entreprise d'automobiles Renault France et le laboratoire de
recherche universitaire LHHEA de l’Ecole Centrale de Nantes.
Je voudrais tout d’abord remercier grandement Mr. Gilles MAUVIOT pour toute son aide. Je suis ravi
d’avoir travaillé en sa compagnie car outre son appui scientifique, il a toujours été là pour me soutenir
et me conseiller au cours de l’élaboration de cette thèse. Qu’il trouve ici l’expression de ma
reconnaissance pour les précieux conseils, l’éclairage et les discussions fructueuses qu’il m’a
prodigués et sans lesquels ce manuscrit n’aurait jamais vu le jour.
Je tiens à remercier mon directeur de thèse Mr. Xavier TAUZIA et mon encadrant Mr. Alain
MAIBOOM pour la confiance qu’ils m’ont accordée en acceptant ce travail doctoral, pour leurs
multiples conseils et toutes les heures qu’ils ont consacrées à diriger cette recherche. J’aimerais
également leur dire à quel point j’ai apprécié leur grande disponibilité et leur respect sans faille des
délais serrés de relecture des documents que je leur ai adressés.
Mes remerciements vont également à Mr. Pascal CHESSE, chef de l’équipe TSM et de la chaire
industrielle à l’ECN pour m’avoir accueillie très chaleureusement au sein de son département ainsi
pour la confiance et l’intérêt qu’il a manifestés, vis-à-vis de ce travail doctoral.
Un grand merci pour Mr. Vincent TALON, ancien chef de l’équipe Renault pour l'intérêt dont il a fait
preuve envers ma recherche, les moyens qu'il a mis en œuvre pour me donner accès au terrain ainsi
que pour son accueil enthousiaste à chaque fois que je l'ai rencontré.
Je souhaite exprimer toute ma reconnaissance à Mr. Nicolas PERROT qui était prêt à répondre à
toutes les questions sur le plan expérimental toujours avec le plus de précision et d’expertise, et à Mr.
Patrick PANNIER pour sa précieuse assistance sur le banc moteur et sa grande patience pour
accompagner mes essais expérimentaux.
J’adresse toute ma gratitude à tous les membres de l’Equipe TSM pour leur accueil et leur
bienveillance tout au long de ma présence au sein du l’Ecole Centrale de Nantes. J’aimerais de plus
remercier les différents thésards ECN pour tous ces bons moments passés au travail et en dehors.
Enfin, merci de tout mon cœur à mes parents et à mes amis pour leur patience, leur amour et leur
indéfectible soutien tout au long de ces années.
Table des Matières
1
Table des Matières
2
Table des Matières
3
Table des Matières
4
Table des Matières
5
Table des Matières
6
7
8
Nomenclature
Nomenclature
9
Nomenclature
Abréviations
AFR Air Fuel Ratio (rapport Air/Fuel)
AI Auto Ignition (Auto-Inflammation)
ASI After Start of Injection (Après début d’injection)
ATDC After Top Dead Center (Après point mort haut)
BGR Burned Gas Recirculation (Recirculation des gaz brûlés)
BP Basse Pression
BTDC Before Top Dead Center (Avant point mort haut)
CA Crank Angle (Angle du vilebrequin)
CAD Crank Angle Degree (Degré du vilebrequin)
CFD Computational Fluid Dynamics (Calcul des dynamiques de fluides)
CPU Central Processing Unit (Unité centrale de traitement)
CR Common Rail (Rampe commune)
ECN Ecole Centrale de Nantes
EGR Exhaust Gases Recirculation (Recirculation des gaz d’échappement)
EOC End Of Combustion (Fin de combustion)
EOI End Of Injection (Fin d’injection)
EZM Extended Zeldovich Mechanism (Mécanisme de Zedovich étendu)
FSN Filter Smoke Number
GB Gaz Brûlés
GESIM General Engine Simulation
GF Gaz Frais
GHG Green House Gases (Gaz d’effet de serre)
HAP Hydrocarbures Aromatiques Polycycliques
HC Hydrocarbons (Hydrocarbures)
HCCI Homogeneous Charge Compression Ignition
HF High Frequency (Haute fréquence)
HP Haute Pression
HRR Heat Release Rate (Taux du dégagement de chaleur)
ID Ignition Delay (Délai d’auto-inflammation)
IP Injection Pressure (Pression d’injection)
IPSO Intake Port Shut-Off
IVC Intake Valve Closure (Fermeture de la soupape d’admission)
LII Laser Induced Incandescence (l’incandescence induite au Laser)
LTC Low Temperature Combustion (Combustion à basse température)
MSP Multi-Step Phenomenology (Phénoménologie des étapes multiples)
NMHC Non-Methane Hydrocarbons
NMOG Non-Methane Organic Gazes
NNT Neural Network Toolbox (Outils du réseau neuronal)
NSC Nagle and Strickland-Constable Model
OBD On-Board Diagnostics
PAH Poly-Aromatic Hydrocarbon
PCCI Premixed Charge Compression Ignition
PCI Pouvoir Calorifique Inférieur
PCO Pouvoir Comburivore
PDF Probability Density Function (Fonction de densité de probabilité)
PF Point de Fonctionnement
PLIF Planar Laser Induced Fluorescence (fluorescence induite par laser plan)
PM Particulate Matter
PME Pression Moyenne Effective
PMF Pression Moyenne de Frottement
PMH Point Mort Haut
PMI Pression Moyenne Indiquée
10
Nomenclature
Symboles Latins
Surface de flamme
La surface des trous de l’injecteur
c Variable d’avancement de la réaction de combustion
Coefficient de formation de suie
Coefficient d’oxydation de suie
Constante spécifique d’enthalpie
Diamètre de la goutte de carburant
Diamètre du piston
Diamètre des particules de suie
Diamètre des trous de l’injecteur
Espérance
! Energie d’activation
"#$ Energie Cinétique
Energie d’activation pour la formation de suie
% é
Energie d’activation pour l’oxydation de suie
'(
Fréquence de mélange
)
Fraction de volume de suie
ℎ"
Fonction empirique
ℎ /
Coefficient d’échange convectif
ℎ°
Enthalpie massique des gaz d’échange avec l’extérieur
ℎ
Enthalpie de formation
-.
Enthalpie sensible
/
Enthalpie des gaz brulés
0
Intervalle de confiance
01
Densité de l’énergie cinétique turbulente
02
Constante de formation
3
Constante de décomposition
34
Constante de Réaction
56
Terme de température
7
Longueur d’échelle d’intégrale
7 #
Masse
7"
Masse d’air
.
7"
Masse de carburant
.,9#
7"
Masse de carburant brulé durant la combustion de diffusion
.
7"
Masse de carburant gazeux
. Masse de carburant liquide
11
Nomenclature
7" .,
7" .(
Masse de carburant brulé en pré-mélange
79#
Masse de carburant vaporisé
7:;<
Masse de carburant disponible dans la chambre
7
Masse d’EGR
7 .
La masse de suie formée
7
Masse des gaz brulés
7=>
Masse des gaz frais
7 #$
Masse des hydrocarbures imbrulés
7
7 #
Masse de suie qui s’oxyde
7 D
Masse de carburant injecté lors de l’injection pilote
7
Masse des particules de suie
7
Masse de carburant injecté lors de la post-injection
7E@F
Masse de suie disponible
G>
Masse de la partie lourde de suie
H
Masse moléculaire du carbone
H I
Nombre de moles de l’espèce
H
Coefficient polytropique
H
Nombre total de moles
BJ
Nombre de trous de l’injecteur
B
Particle Number Density
B!
Régime de Rotation
B
Nombre d’Avogadro
B,
Régime de rotation statique
BK
Densité du nombre de particules formées
L
Nusselt Number
L9
Pression
L"I
Pression du collecteur d’admission
L"I MNO
Pression cylindre
L
Pression du cylindre au début de la combustion
L.
Pression partielle de chaque espèce
L#$#
Pression des gaz brulés
L#$P
Pression initiale
L@Q
Pression d’injection du carburant
L
Pression partielle de l’oxygène
L
Pression cylindre de référence
LR >
Pression totale
.
S
Pression cylindre sans combustion
S #
Quantité de Chaleur
S"
Débit d’air d’admission
S" .
Chaleur dégagée par la combustion
S"T
Quantité du carburant injecté
SU#
Quantité de chaleur dégagée
STI
Quantité de chaleur dégagée en diffusion
S
Phase d’hyperbole
ST
Quantité de chaleur dégagée en pré-mélange
S
Pertes thermiques
SV# .
Quantité de chaleur totale
W
Phase de Wiebe
WX
Constante des gaz parfaits
Rayon de la zone de pré-mélange
12
Nomenclature
Y
YZ
Constante des gaz Parfaits
["
Nombre de Reynolds
[\
Surface d’échange de convection
[ I
Vitesse de propagation du front de flamme laminaire
[4
Surface d’échange de rayonnement
]
Vitesse de propagation du front de flamme turbulent
]#$P
Temps
] P
Durée d’injection du carburant
^
Temps de séjour
^ 9
Température
^!
Température adiabatique de flamme
^9
Température d’activation
^(
Température d’admission
^!@
Température du cylindre moyennée spatialement
^"I
Température d’activation de l’oxydation de suie
^"I MNO
Température Cylindre
^
Température du cylindre au début de la combustion
^.
^
Température des gaz brulés
^T #
Température des gaz imbrulés
^
Température d’huile
#
^
Température des parois du cylindre
^,
Température de référence
K_
Température de formation de suie
`
Vitesse turbulente
`"I
Volume
`#$P
Cylindrée
`.
Vitesse d’injection du carburant
`
Volume des gaz brulés
`
Volume des gaz frais
a
Vitesse du piston
bZ
Taux de réaction d’une espèce
c.
Nombre de Weber
de;<
Fraction de carburant brulé
d:;<
Taux des gaz brulés
d V#
Taux d’EGR
f
Taux de swirl
g
Angle réduit
La fraction de mélange
Symboles grecs
h#$P
i
Vitesse du spray au nez du trou de l’injecteur
j
La tension superficielle
j
Viscosité dynamique du liquide
k
Viscosité dynamique du gaz
k" .
Densité
k
Densité du carburant
kl
Densité du gaz
Densité du carburant
13
Nomenclature
k
k
Densité du liquide
m
Densité de suie
n
Rapport des chaleurs spécifiques
n
Richesse
o
Richesse équivalente globale (Prend en compte les gaz d’EGR)
p
Terme de dissipation
p"T
Temps caractéristique
p T
Délai chimique
q
Délai physique
r
Angle vilebrequin
s
Proportion du pré mélange
sFF
Excès d’air
s
Excès d’air du front de flamme
t
Excès d’air dans la zone de formation de suie
u(
Taux des gaz résiduels ré-circulés
o
Rendement volumétrique
i
Facteur des émissions des gaz
s
Constante de Stefan-Boltzmann
h
Conductivité thermique
Vitesse des gaz
14
15
Introduction
16
Introduction
Introduction
17
Introduction
« Le transport routier reste la plus grande source de pollution de l’air en Europe », indique un des
derniers rapports de l’Agence Européenne pour l’Environnement (AEE) [1]. Selon l’AEE, les
émissions des voitures et des poids lourds constituent toujours la principale source de polluants
atmosphériques nuisibles à la santé malgré de réels progrès depuis 1990. Leurs évaluations montrent
que les transports continuent d'exercer une pression significative sur l'environnement, et finalement
sur la santé humaine, au travers de la pollution atmosphérique, du changement climatique et du
bruit… Chaque jour, la pollution d’air cause des millions de maladies pulmonaires et
cardiovasculaires autour du monde. Plus particulièrement, les particules qui peuvent aussi provoquer
des cancers et le dioxyde d’azote qui affecte directement le système respiratoire et contribue à la
formation de particules et d'ozone. La pollution de l'air a aussi une incidence économique
considérable. D’après le directeur exécutif de l’AEE Hans Bruyninckx, elle est à l'origine d'un
accroissement des coûts médicaux et d'une réduction de la productivité liée à la perte de jours de
travail dans tous les secteurs.
A la lumière de ces faits, on peut bien comprendre les efforts déployés dans les dernières décennies
afin de réduire les émissions du secteur des transports routiers. Le contrôle des émissions automobiles
a une longue histoire. Les premières normes sont apparues en 1968 aux Etats-Unis, en Californie. Par
la suite, les normes sur les émissions d’échappement sont devenues régulièrement plus strictes tous
les deux ans jusqu’aux années 80. Des normes beaucoup plus rigoureuses ont été établies aux années
90 et au-delà, surtout aux Etats-Unis et en Europe. Dans le Tableau 1 on présente les normes
européennes adoptées les deux dernières décennies pour les véhicules particuliers (Diesel et essence).
Tableau 1 : EU Emission Standards for Passenger Cars (Category M1*) [2]
Depuis l’année 2003, ces émissions sont testées sur les cycles NEDC « New European Driving Cycle »
qui ont subi une modification concernant le début de la mesure, en éliminant les 40 s qui étaient prises
pour assurer l’échauffement du moteur dans les anciens cycles. Les normes Euro 5/6 sont ensuite
suivies par quelques sous étapes (Euro 5/6a, b, c) prenant en considération de nouveaux besoins, en
ce qui concerne les émissions de particules et leurs nombres PN. Comme le montre le tableau, la
norme Euro 6 a est entrée en vigueur depuis septembre 2014. En ce qui concerne l’immatriculation et
la vente des nouveaux types de véhicules, la date d’application est à partir de septembre 2015 [3]. On
remarque que pour les moteurs Diesel la limite des émissions d’oxydes d’azote passe de 180 à 80
g/km sur le cycle NEDC, tandis que celle des particules est presque inchangée depuis 2009.
Sur le plan industriel, la baisse drastique de ces émissions dans un moteur Diesel nécessite des efforts
supplémentaires de la part des constructeurs d’automobiles qui cherchent dans le même temps à
18
Introduction
réduire sans cesse les temps de développement afin de rester compétitifs sur un marché de plus en plus
mondialisé. Par contre, les différentes innovations technologiques actuellement adoptées et toujours
en développement ont permis de réduire les émissions polluantes tout en maintenant ou même
améliorant la performance du moteur et sa consommation de carburant. Actuellement, deux voies
principales contribuent conjointement à la réduction des émissions :
Toute nouvelle technologie ajoutée au moteur doit par conséquent satisfaire les exigences au niveau
des émissions polluantes, ce qui impose un surcout pour la mise au point et le contrôle du moteur
Diesel. En effet, dans le cadre du développement de ces nouveaux systèmes les constructeurs et leurs
équipementiers doivent réaliser de nombreux essais afin de mettre au point les stratégies des
calculateurs moteur permettant de tirer la quintessence de la solution tout en restant en adéquation
avec les contraintes véhicule/moteur existant par ailleurs. En outre, ils visent à spécifier/valider les
dispersions de fabrication acceptables pour respecter les exigences du cahier des charges. La mise au
point connaît aussi un surcoût lié à l'OBD (On Board Diagnostic). Ce dispositif, imposé par la
législation, vise à contrôler le bon fonctionnement de tous les dispositifs anti-pollution (EGR, systèmes
de post-traitement…) présents sur le moteur. Ce contrôle se fait en permanence, pendant le
fonctionnement du moteur, par le calculateur. Il nécessite d'importants moyens électroniques
(capteurs, traitement du signal, programmation de stratégies…).
Dans ce contexte, la modélisation numérique pourrait être très avantageuse en termes de coȗt et de
temps pour les étapes de mise au point du contrôle moteur. Ce constat a été à l’origine de la création
de la Chaire industrielle réunissant l’Ecole Centrale de Nantes, Renault et LMS Siemens autour de la
thématique de la modélisation et de la simulation pour la mise au point des moteurs.
Sur le plan scientifique, il existe plusieurs niveau de modélisation du moteur (modèles moyens,
approche 0D/1D, modèles 3D/CFD) offrant des degrés variables de complexité de mise en œuvre, de
rapidité d’exécution et de capacités prédictives. Le développement de ces différents modèles est
continu. Il profite des avancées sur la caractérisation expérimentale et la compréhension des
phénomènes physiques et des progrès des machines de calcul. Il est également lié à l’émergence de
nouvelles applications rendues possibles par l’amélioration des performances de la modélisation.
Ainsi, la présente thèse vise à étudier et développer une modélisation de la formation des émissions
polluantes dans un moteur Diesel conventionnel, destinée à être utilisée dans le cadre de la mise au
point.. Il s’agit en particulier de contribuer à la construction d’une plateforme de simulation du
moteur complet. Cette plateforme a été initiée par l’équipe de modélisation Renault et est actuellement
en cours de développement, notamment dans le cadre de la chaire industrielle ECN/RSA/LMS
Siemens. La modélisation devra donc concilier les différentes contraintes inhérentes à l’utilisation :
rapidité, facilité de calibration, précision élevée.
Les principales étapes de la construction et de l’utilisation des modélisations sont décrites dans ce
mémoire à travers 5 chapitres :
Chapitre 1 :
Le chapitre 1 est une synthèse de l’étude bibliographique sur l’état de l’art qui a été menée en
préambule à ce travail de thèse. Il comprend deux parties distinctes. Dans la première partie, sont
exposées les principales caractéristiques de la combustion Diesel conventionnelle puis les différents
mécanismes de formation des principaux polluants recensés dans la littérature. Dans la deuxième
partie, un point est fait sur les différentes approches existantes pour la modélisation de la combustion
et des émissions. Ces différents éléments sont ensuite utilisés pour définir le type de modélisation
finalement retenue et sont également exploités lors du développement des modèles présentés dans les
chapitres suivants.
19
Introduction
Chapitre 2 :
Ce chapitre décrit les éléments servant de cadre au développement des modélisations. Il comporte
également deux parties. La première partie est consacrée à la base de résultats expérimentaux
utilisée, qui combine des essais préexistants et des essais spécifiquement réalisés au cours de cette
étude. Outre la description des deux moteurs Diesel utilisés, les traitements (filtration, correction) des
données expérimentales mises en œuvre sont présentés. La deuxième partie de ce chapitre concerne la
modélisation 0D de la combustion (modèle de Barba) qui va fournir les paramètres physiques utilisés
pour les modèles semi-physiques de polluants développés dans cette thèse. Les sous-modèles sont
d’abord présentés en détail, puis une méthodologie développée spécifiquement pour l’identification
automatique du modèle de combustion est proposée. Enfin, l’accord des résultats de simulation ainsi
obtenus avec les données expérimentales est évalué. .
Chapitre 3 :
Le chapitre 3 décrit le développement d’un nouveau modèle des émissions de BC qui est associé au
modèle de combustion présenté dans le chapitre 2. Le modèle proposé est un modèle zéro-
dimensionnel semi-physique basé sur le modèle HF de combustion couplé avec une modélisation
thermodynamique pour la température adiabatique de flamme. La partie physique du modèle proposé
est d’abord mise en évidence. Il s’agit notamment de décrire l’approche adoptée pour décrire le
mécanisme de formation des oxydes d’azote dans la flamme de combustion et la détermination de
paramètres physiques pertinents. Des relations empiriques sont ensuite recherchées entre ces
paramètres physiques et les émissions expérimentales. Une méthode tabulée (ou cartographie) est
adoptée pour le modèle de BC . Les résultats du modèle sont finalement confrontés aux émissions
expérimentales dans le cas du moteur 1 qui a servi pour développer le modèle, en distinguant les
points d’apprentissage, de validation et des études paramétriques.. Une étude de sensibilité du modèle
de BC par rapport aux incertitudes sur les données d’entrée (expérimentales et simulées), est
également présentée afin d’identifier les sources d’erreur probables dans les valeurs estimées
de BC .
Chapitre 4 :
Le chapitre 4 présente avec une démarche analogue le développement d’un nouveau modèle de suie
également basé sur une approche zéro-dimensionnelle semi-physique et associé au modèle HF de
combustion et de température adiabatique de flamme évoqué précédemment. Les mécanismes de
formation et d’oxydation de suie sont tout d’abord analysés et une formulation générale est proposée.
Les paramètres physiques représentatifs de ces deux processus sont ensuite sélectionnés en se basant
sur l’analyse des données expérimentales. Dans un deuxième temps, l’outil de modélisation empirique
utilisé pour faire la liaison entre les émissions de suie expérimentales et les paramètres physiques est
décrit. Deux méthodes (cartographie et régression multilinéaire) sont comparées du point de vue de la
calibration du modèle et de l’adéquation des résultats avec les émissions expérimentales. Finalement,
une étude de sensibilité du modèle aux données d’entrée et de nouveau proposée...
Le chapitre 5 décrit l’application des modèles de BC et de suies précédemment décrits sur le moteur
Chapitre 5 :
2 qui n’a pas été utilisé pour la conception des modèles. Une étude de sensibilité des résultats à la
procédure de calibration du modèle (et notamment au nombre de points d’apprentissage) est tout
mettant notamment l’accent sur l’évolution du compromis BC /PM. Plusieurs cas sont étudiés :
d’abord présentée. Puis les modèles sont confrontés aux résultats expérimentaux d’émissions en
quadrillage du champ (régime, charge), variations mono paramétrées sur quelques points de
fonctionnement impliquant les principaux paramètres de mise au point relatifs à l’injection et à la
boucle d’air – suralimentation, EGR) et enfin fonctionnement du moteur « froid » avec des
températures d’eau et d’huile non nominales du moteur.
20
21
22
Chapitre I : Etat de l’art : Synthèse
bibliographique
Ce 1er chapitre est consacré à une étude bibliographique qui comporte 3 parties distinctes :
Une revue des principales émissions polluantes (BC et particules) dans un moteur Diesel qui
brièvement les différentes étapes phénoménologiques de la combustion.
-
décrit les caractéristiques des polluants, les mécanismes de formation et les techniques de
réduction. Cette partie sert de base à l’élaboration des modèles développés au cours de cette
thèse.…
- Une revue des différents types de modèles de combustion et d’évaluation des émissions
polluantes recensés dans la littérature, destinée notamment à orienter nos choix de
modélisation dans la présente étude.
23
Chapitre I : Etat de l’art : synthèse bibliographique
Dans un moteur Diesel conventionnel, la combustion est la phase résultant de deux processus
principaux :
Afin d’assurer les températures suffisantes pour l’allumage du carburant injecté (approximativement
plus que 800 K), l’air est comprimé avec des taux de compression autour de 14 à 18 [4]. Dans les
moteurs Diesel modernes, ce taux varie de 12 jusqu’à 24 [5], en fonction du type de moteur et du
niveau de charge exigé. Il est limité par les pressions cylindres maximales admissibles pour une marge
spécifique de fonctionnement moteur (ex : 160-180 bar pour les moteurs diesel modernes et 210-230
bar pour les véhicules utilitaires [6]).
Grâce aux techniques de diagnostic et de visualisation optique réalisées dans les dernières décennies
[7] [8] [9], ce processus ultra-rapide a pu être détaillé et modélisé pour mieux comprendre la
combustion Diesel. Un modèle conceptuel phénoménologique très connu a été présenté à la fin des
années 90 par Dec et al. [9] [10] et suivi par d’autres travaux de recherche [11] au « Sandia National
Laboratory ». Pour ces travaux, un moteur monocylindre Diesel a été conçu de façon à assurer un
compromis entre l’accès optique et la géométrie réelle de la chambre de combustion. La figure 1
montre la conception adoptée permettant l’accès optique exigé et les différentes mesures d’imagerie
Laser comme par exemple : la diffusion de Mie pour déterminer les distributions du carburant liquide,
la diffusion de Rayleigh pour visualiser le mélange vaporisé de carburant-air ainsi que ses différentes
températures, l’incandescence induite au Laser (LII) pour les concentrations de particules, la diffusion
de Rayleigh et l’incandescence induite au Laser (LII) simultanées pour les distributions des tailles de
particules, la fluorescence induite par laser plan (PLIF) pour visualiser la distribution des
hydrocarbures aromatiques polycycliques (HAP) et la structure de la flamme de diffusion à partir de la
24
Chapitre I : Etat de l’art : synthèse bibliographique
Le modèle conceptuel de Dec décrit les différentes étapes de la formation d’un jet dans une chambre
de combustion d’un moteur Diesel. La Figure 2 représente l’évolution du jet jusqu’à la phase quasi-
stationnaire de la combustion diffusive (entre l’établissement de la flamme de diffusion et la fin de
l’injection). Cette phase est représentée par les 10 degrés vilebrequin après le début d’injection du
carburant [12] :
- A partir de 1°V ASI : le développement initial du spray montrant la pénétration liquide du
carburant.
- A partir de 4 °V ASI : l’apparition du carburant vaporisé qui se mélange avec l’air sous une
richesse élevée de l’ordre de 2 à 4.
- A partir de 5°V ASI : Le commencement de la combustion de pré-mélange avec l’apparition
primaire des PAH et de particules à cause de la richesse élevée.
- A partir de 6.5°V ASI : La formation de la flamme turbulente de diffusion caractérisée par une
zone quasi-stœchiométrique.
- A partir de 8°V ASI : le jet atteint une phase quasi-stabilisée dont les caractéristiques
deviennent presque constantes.
25
Chapitre I : Etat de l’art : synthèse bibliographique
Comme déjà souligné, la formation du mélange interne est essentiellement affectée par l’injection du
carburant. Le mouvement de l’air admis peut aussi améliorer la combustion et le rendement thermique
final. Il dépend de la forme de la chambre de combustion et du répartiteur d’admission. Dans cette
partie, on étudie les principaux paramètres affectant la formation du mélange carburant-air:
- Swirl :
Le swirl est le nom du mouvement rotatif de l’air autour de l’axe du cylindre [5]. Il est essentiellement
généré par la géométrie du répartiteur d’admission qui donne une forme tangentielle au débit d’air
introduit dans le cylindre (cf. Figure 3). L’action des soupapes, la géométrie et la vitesse du piston
possèdent des effets additifs sur l’aérodynamique de l’air admis [6].
Figure 3 : Une conception Swirl dans un collecteur d’admission de forme hélicoïdale [6]
La fonction principale du swirl est d’améliorer le mélange air-carburant par la déformation du spray
injecté donnant par conséquent plus d’homogénéité au mélange crée.
Le besoin en swirl diminue avec l’augmentation du nombre de trous de l’injecteur de carburant. Cette
diminution est favorable en termes de pertes aux parois et également de pertes de charges que peut
produire le niveau élevé du swirl. Les conduits hélicoïdaux, comme les montre la Figure 3, peuvent
également assurer un bon compromis entre le niveau nécessaire du swirl et un rendement volumétrique
acceptable.
Pour les faibles régimes, un système de double plenum d’admission avec une vanne IPSO (intake port
shut-off) peut être utilisé pour régler le taux de swirl.
A la fin de la phase de compression autour du PMH, le volume de l’air introduit subit une réduction
brusque jusqu’à des valeurs minimales. Ceci provoque un mouvement radial du gaz existant de
l’extérieur du bol du piston vers l’intérieur, nommé squish. Le débit du squish ralentit la propagation
du jet de carburant permettant l’échange d’inertie entre l’air et le carburant injecté, ce qui améliore la
formation du mélange. Ensuite, ce mouvement de squish est inversé au cours de la détente provoquant
une forte turbulence au cœur du mélange.
26
Chapitre I : Etat de l’art : synthèse bibliographique
La pression d’injection détermine l’énergie cinétique du spray de carburant qui joue le rôle dominant
dans la formation du mélange de combustion. Elle gère aussi le débit massique du carburant suivant la
formule standard suivante:
7J" . = U w2k" . ∆L#$P
(1.1)
La différence de pression ∆L est à peu près égale à la pression d’injection L#$P . Cette pression varie
proportionnellement au carré du régime de rotation B afin d’avoir le même angle vilebrequin durant
lequel se fait l’injection :
L#$P ∞ B { (1.2)
Ceci nécessite des pressions d’injection très élevées dans les cas de très hauts régimes. Dans quelques
moteurs récents, la surface des trous de l’injecteur peut être aussi réglée pour pouvoir atteindre des
débits assez élevés.
De même, la pression ou la vitesse d’injection doivent être suffisants pour acheminer le carburant
vers toutes les régions de la chambre de combustion, surtout pour les gros moteurs où les chambres de
combustion sont plus grandes. En plus, la faible turbulence dans de tels moteurs ralentit l’évaporation,
la formation et la combustion du mélange air-carburant, d’où la nécessité d’une grande vitesse
d’injection pour obtenir un rendement thermique maximal.
Après l’injection, le spray de carburant subit une série de processus avant la combustion proprement
dite. La Figure 4, d’après Baumgarten et al. [13], schématise un spray Diesel haute pression (>200
MPa) de forme conique, et recense les différentes étapes qui sont décrites succinctement ci-après :
le jet du carburant est atomisé (break-up) directement après son injection en deux étapes : l’une
appelée break up primaire qui est le break-up du carburant liquide et qui aboutit à la formation de
grands ligaments et de gouttelettes près du trou d’injecteur, l’autre est le break up secondaire des
gouttelettes existantes en plus petits fragments à cause des forces aérodynamiques que produit la
vitesse interne relative entre les gouttelettes du carburant et les gaz qui les entourent .
27
Chapitre I : Etat de l’art : synthèse bibliographique
- Atomisation du carburant :
bZ = k . h { .
l #$P . i 2} (1.3)
Avec :
kl : la densité du carburant
h#$P : la vitesse du spray au nez du trou de l’injecteur
: diamètre du trou de l’injecteur
i: la tension superficielle
- Break up secondaire :
Cette atomisation secondaire est responsable de la formation des microgouttelettes de
carburant qui accélèrent, à leur tour, les phénomènes d’évaporation et d’auto-
inflammation. Ce processus est essentiellement influencé par les forces aérodynamiques.
D’autres paramètres comme la pression d’injection, l’angle du spray et la densité d’air
jouent aussi un rôle significatif dans le break up secondaire.
D’après Sauter, le diamètre moyen des gouttelettes finales peut être estimé en fonction du
carburant. D’après les travaux de Hiroyasu et al. [14], ce diamètre moyen de Sauter [G
gradient de pression au nez de l’injecteur, de la densité et de la viscosité de l’air et du
j k
•,ƒ† 2•,‡†
est estimé par la formule suivante :
Avec :
Il faut noter que cette variable ne désigne pas la taille des gouttelettes, c.à.d. deux sprays
de même SMD peuvent avoir des tailles de gouttelettes totalement différentes. Ce
diamètre caractérise la surface d’interaction dans une unité de volume. Plus de surface
améliore effectivement l’évaporation et la formation du mélange air-carburant.
- L’évaporation du carburant :
28
Chapitre I : Etat de l’art : synthèse bibliographique
Ce processus résulte de l’atomisation du spray liquide et des températures élevées de l’air comprimé.
Pour obtenir une température d’air suffisante, le rapport de compression doit être au minimum autour
de 12 :1 [5].
Une atomisation plus fine ainsi qu’une vitesse de propagation plus grande du spray accélèrent tous les
deux le transfert de chaleur de l’air comprimé vers les gouttelettes de carburant puis leur évaporation.
I.1.2- L’Auto-Inflammation
L’auto-inflammation dépend de chacun des processus recensés dans les parties précédentes. Les
caractéristiques thermodynamiques dans la chambre de combustion comme la pression et les
températures locales, et la concentration locale de vapeur contrôlent ensemble les conditions d’auto-
inflammation. Le nombre de cétane du carburant joue également un rôle important puisqu’il
caractérise la facilité du carburant à s’auto-enflammer.
Ce processus est caractérisé par un temps appelé délai d’auto-inflammation. Il est souvent considéré
égal au temps qui s’écoule entre le début de l’injection et le début de la combustion. Dans la littérature
[6] [13] [15] [16], on distingue un délai physique et un autre chimique. Le premier concerne les temps
de break up du spray (primaire et secondaire) plus le temps d’évaporation, tandis que le délai chimique
désigne le temps de la réaction de combustion. Il est de l’ordre de 0.3 jusqu’à 0.8 ms pour les moteurs
suralimentés et pour des pressions d’injection élevées (>2000 bar), et un peu plus élevé (de l’ordre de
1 jusqu’à 1.5 ms) pour les moteurs atmosphériques [6].
La combustion démarre par l’auto-inflammation dans différents endroits du cylindre des mélanges
légèrement riches avec des richesses de l’ordre de 1 jusqu’à 1.5. Puis, cette flamme de pré-mélange
s’étend rapidement à d’autres sites où le mélange air-carburant se rapproche de la stœchiométrie.
L’injection du carburant continue durant la combustion comme le montre la Figure 5. Le taux de
combustion est alors influencé par l’injection du carburant, l’atomisation, l’évaporation et enfin la
formation du mélange. Ce taux de combustion peut être estimé à travers l’application du premier
”S m ”` 1 ”L
principe de la thermodynamique et la loi des gaz parfaits par l’équation suivante :
= L + `
”] m − 1 ”] m − 1 ”]
(1.5)
S: la quantité de chaleur dégagée par la combustion (incluant les pertes aux parois)
Avec :
29
Chapitre I : Etat de l’art : synthèse bibliographique
Figure 5 : Les différentes phases d’une combustion à injection directe Diesel tracées sur le taux du dégagement de
chaleur [15].
- Combustion de pré-mélange :
Une phase de pré-mélange plus importante peut provoquer une augmentation du bruit mais une
- Combustion de diffusion :
Tout carburant injecté après l’auto-inflammation initiale doit se mélanger avec l’air pour participer à la
diffusion de la flamme existante. Cela produit un taux de réaction plus lent que celui de la phase de
pré-mélange. Durant cette phase, la combustion est contrôlée par l’énergie cinétique du carburant
injecté et par la turbulence ou les forces aérodynamiques dans la chambre de combustion.
La flamme de diffusion, caractérisée par une richesse élevée au cœur du spray et un taux de
dégagement de chaleur modéré, est la responsable essentielle de la formation des particules qui
peuvent être traitées par des post-injections.
Durant cette période (jusqu’à 40 ou même 50 °vil après le PMH), le taux de dégagement de chaleur
diminue à cause de la baisse de température et des énergies cinétiques durant la phase de détente.
Cette combustion est uniquement influencée par l’aérodynamique des gaz existants dans le cylindre.
30
Chapitre I : Etat de l’art : synthèse bibliographique
Une stratégie très intéressante qui permet d’améliorer la combustion Diesel hétérogène est le système
d’injection fractionnée ou « multi-injection ». La Figure 6 montre un exemple d’une stratégie de
multi-injection avec 3 injections distinctes : Une pré-injection, une injection principale et une post-
injection.
Plusieurs travaux de recherche [6] [13] [17] montrent clairement qu’une petite quantité de carburant
injectée juste avant l’injection principale peut totalement changer le profil du taux de dégagement de
chaleur durant le cycle moteur, comme le montre la Figure 7. La forte différence de pression au
moment de l’auto-inflammation due à la combustion spontanée et rapide engendre beaucoup de bruit
durant le fonctionnement moteur. La pré-injection (ou injection pilote) est très avantageuse dans ce cas
pour réduire significativement ce taux de bruit (cf. Figure 7) en réduisant le délai d’auto-inflammation
et le pic de température au début de la combustion principale.
Deux injections pilotes, au lieu qu’une seule, peuvent réduire encore le bruit du moteur, à condition
d’ajuster les avances à l’injection, les temps de dwell et la distribution des masses injectées pour éviter
l’augmentation des émissions polluantes.
Figure 7 : Le taux du dégagement de chaleur et le bruit de combustion avec et sans injection pilote [6]
31
Chapitre I : Etat de l’art : synthèse bibliographique
Synthèse
La combustion est un élément primordial pour l’optimisation d’un moteur diesel. Elle comporte des
phénomènes physiques et chimiques très complexes, observables notamment grâce aux moteurs à
accès optique. Cependant, l’étude du taux de dégagement de chaleur, accessible sur moteur opaque,
offre un premier niveau de caractérisation de la combustion : elle permet de distinguer les 3 phases
essentielles de la combustion Diesel traditionnelle : le délai d’auto-inflammation, la phase de pré-
mélange et la phase de diffusion. Chacune de ces phases est grandement influencée par les conditions
ambiantes dans la chambre (pression, température, mouvement de l’air) et par le processus d’injection
(pression et vitesse d’injection, taux d’introduction du carburant) qui gouvernent conjointement la
formation du mélange air-carburant.
vapeur d’eau (≈12%), l’excès d’oxygène (≈17%), et le diazote N{. Ces émissions ne possèdent aucun
effet négatif sur la santé humaine ou l’environnement (sauf le C{ par l’effet de serre).
En réalité, les produits de la combustion Diesel comportent une 5ème catégorie d’émissions, ce sont
les polluants. Les polluants se forment au sein du mélange air-carburant hétérogène et/ou des gaz
brûlés et dépendent des conditions qui accompagnent la combustion et la phase de détente jusqu’au
commencement de la phase de refoulement des gaz d’échappement.
La combustion incomplète
Les réactions internes entre les composants du mélange de combustion sous des températures
et des pressions élevées
La combustion de l’huile de lubrification
La combustion des composants non hydrocarbonés du carburant comme le soufre et les autres
additifs du carburant
Ces émissions sont mesurées et étudiées pour des objectifs de recherche. Elles apparaissent avec des
concentrations beaucoup moins élevées que celles réglementées. Parmi elles, on trouve quelques
espèces qui font partie des particules (PM) comme la fraction organique soluble (SOF) et les particules
de sulfate.. Les nanoparticules qui sont des petites particules de taille inférieure à 50 nm apparaissent
comme potentiellement problématiques surtout dans le cas de l’utilisation d’additifs dans l’huile de
lubrification, ou dans le carburant qui promeuvent les émissions de fer, cuivre, cérium…
D’’autres espèces polluantes non réglementées se forment durant une des étapes de la production des
émissions polluantes réglementées, comme par exemple les aldéhydes (dérivés des hydrocarbures) et
32
Chapitre I : Etat de l’art : synthèse bibliographique
les hydrocarbures aromatiques polycycliques (HAP) trouvés souvent dans les émissions de particules
(PM).
B- Emissions réglementées :
Ce sont celles soumises à des limites pour leur niveau maximal dans les gaz d’échappement.
- Les particules
- Les HC ou THC (Total HydroCarbons) ou NMHC (Non Methane HydroCarbons)
- Les CO
Les BC incluent l’oxyde nitrique (BC) et le dioxyde d’azote (BC{ ), ainsi que l’oxyde nitreux
(B{ C) qui est réglementé comme un gaz à effet de serre. Les BC{ constituent, dans les moteurs non
suralimentés, approximativement 5 % des BC . Ils atteignent 15 % pour les moteurs suralimentés et
même plus en présence des catalyseurs en post-traitement.
Les particules (PM) sont un mélange de suie carbonée avec d’autres éléments solides et
liquides comme les hydrocarbures condensés. On l’appelle aussi TPM (Total Particules Matter) et
DPM (Diesel Particules Matter).
La composition des PM dépend du moteur Diesel étudié. Par exemple, les particules provenant d’un
moteur équipé d’un filtre à particules sont constituées principalement de sulfate et de composants
organiques avec moins de suie [18].
Dans l’Union Européenne, un nombre de PM (NPM) est adopté à côté des limites de masse déjà mises
en œuvre.
D’autres émissions sont réglementées pour certains véhicules ou moteurs comme l’ammoniac (B-ƒ )
réglementé en Europe pour les véhicules utilisant le SCR pour réduire les émissions de BC .
Les émissions de CO sont relativement faibles pour les moteurs Diesel modernes. Elles
atteignent des valeurs maximales durant les régimes transitoires tels que l’accélération spontanée.
(Jusqu’à 0.5%, voire plus [18])
Une autre catégorie d’émissions récemment réglementée pour les moteurs de véhicules
essentiel sur le réchauffement climatique terrestre (Le C{ est l’élément essentiel dans ces émissions).
automobiles autour de l’année 2010 : c’est celle appelée GHG « Green House Gazes » et qui a un effet
qualitative la formation des deux principaux polluants : BC et suies (Figure 8) : Les BC sont formés
Dans son modèle conceptuel de la combustion Diesel conventionnelle, Dec décrit de manière
coté pauvre de la flamme de diffusion qui s’établit à la périphérie du spray, tandis que les suies sont
formées au cœur du jet, au niveau de la flamme pré-mélangée riche, en aval immédiat de la longueur
d’accroche de flamme. Elles s’accumulent ensuite en tête de spray puis sont éventuellement oxydées
partiellement lorsqu’elles traversent la flamme de diffusion. Il faut noter que cette configuration
correspond au régime pseudo permanent de la combustion qui s’établit au cours de l’injection de
carburant. Après la fin de l’injection, la combustion se poursuit mais les structures de spray
s’estompent tandis que les différentes zones (gaz frais, gaz brûlés) se mélangent progressivement.
33
Chapitre I : Etat de l’art : synthèse bibliographique
Il est également commun de représenter la formation des BC et des suies dans un diagramme richese,
température (φ,T) (Figure 9). Il apparait que les BC se forment à haute température (supérieure à
2000K environ) dans des zones pauvres ou stœchiométriques, voire légèrement riches. Au contraire,
les suies sont formées dans des zones riches (φ>2) à des températures intermédiaires. A cause de sa
différence d’autres types de combustion qui évitent les incursions en zone riche, voire les hautes
températures.
Figure 8 : Formation des NOx et des suies dans le modèle conceptuel de combustion Diesel de Dec
Figure 9 : Formation des NOx et des suies dans un diagramme Richesse, Température (™,T)
véhicules Diesel sont à l’origine de 53% de ces émissions [19]. L’effet nocif des émissions de BC a
Plus de la moitié des émissions d’oxyde d’azote sur la terre proviennent du transport routier. Les
incité les gouvernements à appliquer des normes de plus en plus sévères. Les BC , en effet, peuvent
provoquer plusieurs problèmes pour la santé humaine comme des troubles respiratoires ainsi que des
problèmes de pathologies cardio-vasculaires [20]. Ils participent aussi à la formation de pluies acides
et à la production de l’ozone troposphérique.
On étudie ci-après les différentes voies de formation des BC . On souhaite mettre l’accent sur les
mécanismes chimiques de formation des oxydes d’azote ainsi que sur les facteurs d’influence. La
34
Chapitre I : Etat de l’art : synthèse bibliographique
dépendance des BC au facteur thermique parait très claire dans la littérature, mais elle modélisée par
différentes phénoménologies et divers mécanismes.
I.2.2.1- NO-Thermique
Mécanisme de Zeldovitch:
Le mécanisme de Zeldovich est le mécanisme le plus répandu parmi ceux qui définissent la formation
cinétique de NO à partir de l’azote atmosphérique. Son modèle de base comporte deux réactions
chimiques entre l’azote et l’oxygène, et une troisième réaction ajoutée par Lavoie et al. [21] qui décrit
la formation de NO à partir de l’azote et de l’OH :
C + B{ ⟷ BC + B
œ
(1.6)
B + C{ ↔ BC + B
[Zeldovich]
(1.7)
Les constantes de formation et de décomposition de NO 0#1 et 0#2 sont présentées dans le tableau ci-
dessous :
Tableau 2 : Constantes de réactions du mécanisme de Zeldovich [15]
•BCž {
2Y} Ÿ1 − ¡ ¢
”•BCž •BCž
=
”] •BCž
¡ Y}
(1.9)
•BCž
1+ Y +Y
{ ƒ
Avec :
initial de formation (c’est-à-dire pour •¤¥ž ≪ 1 ). On démontre [22] que sous certaines hypothèses, le
•¤¥ž
Pour mieux illustrer le l’impact de la température sur la formation de NO, on peut exprimer le taux
¦
taux initial de formation de NO peut s’écrire :
35
Chapitre I : Etat de l’art : synthèse bibliographique
Cette équation montre que la formation thermique du NO dépend aussi de la richesse représentée ici
Shahed [15] qui montrent que le taux maximal de formation de NO est atteint pour une richesse n
par la concentration d’oxygène disponible. Ceci est mis en évidence par les travaux de Newhall et
Figure 10: L’allure de la concentration de NO formé durant la combustion en fonction de la richesse globale [Newhall
and Shahed] [15]
B{ + C{ ↔ 2BC (1.11)
Avec :
21.650
0?@ = 20.3 ∗ Zc¬ − ¡
^
(1.12)
36
Chapitre I : Etat de l’art : synthèse bibliographique
La vitesse de formation de NO est représentée ici par un temps caractéristique τ¤° tel que :
concentration de NO.
1 ”•BCž
p?@
2}
=
•BCž ”]
(1.13)
Müller et al. [24], à leur tour, mettent en évidence l’influence de la température ainsi que de la richesse
sur la concentration de NO durant la combustion. Ils révèlent que :
Ces deux hypothèses expliquent que la grande partie du NO est formée au début de la combustion
jusqu’à ce que la détente commence et que la température ainsi que la pression suivent une
décroissance bien marquée (D’après Voculescu et al. [25] et Heywood [15] durant les premiers 20
degrés vilebrequin). Müller et al. [24] obtiennent le même résultat. Cependant, Chan et Bowman [26],
élevé (µ 4).
grâce à leurs mesures expérimentales, montrent que cette formation continue sauf si le swirl est très
Plus récemment, l’imagerie par fluorescence induite par laser plan PLIF réalisée par Dec et al. [9]
montre que la formation de NO continue même après la fin de la combustion, et dépend de plusieurs
facteurs :
- Le degré du swirl dans le cylindre
- La charge du moteur
- La pression d’injection
- Le taux de combustion
Outre la température adiabatique de combustion, Ahmad et al. [27], Plee et al. [28] [29], Heywood et
al. [15] prouvent l’influence d’autres facteurs tels que la charge, la température et la vitesse du
37
Chapitre I : Etat de l’art : synthèse bibliographique
mélange admis, l’indice de cétane et le temps d’injection….etc. Ils définissent un indice pour la
formation de NO suivant une formule d’Arrhenius :
/BC = #$ . Zc¬ „ …
!
Y^ 9
(1.16)
l’accord entre les émissions de BC calculées par ce mécanisme et les émissions mesurées.
Plusieurs auteurs ont cherché à compléter ou corriger le mécanisme de Zeldovitch pour améliorer
Miller et al [30] montrent que l’erreur commise dans les valeurs calculées par Zeldovich pourrait
atteindre plus que 50 % (cf. Figure 12). Par conséquent, ils définissent un mécanisme appelé SEZM
considéré comme une extension pour le modèle de base de Zeldovich.
Miller décrit 67 réactions qui contribuent à la formation thermique des BC avec 13 espèces
chimiques. Pour une pression d’admission constante comme dans le cas de GESIM1, le SEZM cherche
à produire une gamme complète de température et de pression dans le cylindre.
Ce modèle a permis de minimiser l’erreur sur les BC estimés jusqu’à moins que 6% pour les mélange
pauvres, et moins que 10 % pour les mélange riches dilués par l’EGR.
Il est bien à noter que ce mécanisme prend en compte le prompt-NO (abordé en détail ultérieurement)
suivant l’équation empirique:
Ce modèle comporte l’effet de la richesse et de la pression cylindre sur les NO produits au front de
flamme. Miller prouve que ce NO ne constitue que 1% de la quantité du NO émise totale dans les
conditions normales de fonctionnement du moteur.
1
GESIM : General Engine Simulation. C’est un modèle quasi-unidimensionnel simulant les
processus thermodynamiques et le processus du débit dans le cylindre comme : le swirl, la
turbulence, la combustion et le transfert de chaleur durant la combustion.
38
Chapitre I : Etat de l’art : synthèse bibliographique
L‘application du modèle de Miller sur d’autres moteurs a présenté des résultats insatisfaisants avec
une surestimation qui arrive jusqu’à 23 % pour une pression moyenne indiquée au-delà de 4 bar, et
jusqu’à 27 % pour une pression de 5 bar.
SEZM modifié :
Afin d’ajuster la surestimation obtenue par les modèles de SEZM et EZM, Miller et al. [30] ont ajouté
les réactions unimoléculaires et tri moléculaires qui ont abouti à une réduction de 1% de l’erreur sur le
niveau du NO formé.
D’autre part, grâce à la réaction supposée par Bozzelli et Dean [31] entre le N{ H et l’oxygène ils ont
pu réduire cette erreur de 1.4 % supplémentaire, soit au total 2.4 % :
C + B{ - → BC + B- (1.18)
D’après Miller, la surestimation importante provient de l’hypothèse d’équilibre pour les radicaux C-
H-O. De même, afin de compenser le manque de prise en compte de la pression sur la formation de
NO, Miller [30] introduit un facteur Cp dans le taux de la première réaction de Zeldovich de la façon
suivante:
B{ + C ↔ BC + B (1.19)
38370
0 = ∗ 1.8 ∗ 10}‡ Zc¬ − ¡
<}D
^
(1.20)
1.00 L Ñ 15
Ð 0.7 15 Ñ L Ñ 20
Î
0.48 20 Ñ L Ñ 25
=
Ï 0.31 25 Ñ L Ñ 30
Avec :
Î 0.25 30 Ñ L Ñ 35
Í 0.20 L Ò 35
réaction de Zeldovich k}1 par un coefficient %±n) prenant en compte de la richesse locale (cf. Figure
Une autre modification similaire a été réalisée par ces chercheurs, en multipliant le taux de la première
13).
39
Chapitre I : Etat de l’art : synthèse bibliographique
Ce modèle prend la richesse 0.95 comme un point critique, au-delà duquel on réduit le taux de
formation de NO, tandis qu’on l’accélère pour les mélanges pauvres. La Figure 14 montre clairement
que le modèle reste insatisfaisant pour les mélanges riches. La sous-estimation est due probablement à
la réduction exagérée impliquée par la fonction mise en place.
Fenimore et al. [33] montrent, à travers plusieurs travaux expérimentaux, la présence d’émissions de
NO au début de la combustion, c’est-à-dire durant la phase de pré-mélange. Ils ont pu détecter cette
quantité précoce de NO en appliquant une extrapolation sur les courbes d’évolution de NO en fonction
du temps, comme le montre la figure suivante:
- + B{ ↔ - B + B (1.24)
-{ + B{ ↔ - B + B- (1.25)
-{ + B{ ↔ -{ B + B (1.26)
+ B{ ↔ B + B (1.27)
B C + - ↔ B- + C (1.29)
B- + - ↔ B + -{ (1.30)
B + C- ↔ BC + - (1.31)
Ce NO précoce est formé dans les zones riches proches du carburant. La chimie du NO précoce est
couplée aux réactions inverses du NO thermique, en particulier :
B + BC → B{ + C (1.32)
40
Chapitre I : Etat de l’art : synthèse bibliographique
le type adopté. En outre, d’après Fenimore [33] lui-même plusieurs raisons permettent de négliger ce
NO comme :
Ce mécanisme est mis en évidence par Dean et Bozzelli [31]. Il est conditionné par la présence
adéquate des atomes d’hydrogène et d’oxygène pour former le NNH puis le NO. Le front de flamme
pourrait assurer un lieu favorable pour ce mécanisme :
B{ + - ↔ BB- (1.33)
BB- + C ↔ BC + - (1.34)
I.2.2.4- Mécanisme de ÅÙ Æ
Ce mécanisme est proposé par Mellor [34]. Il décrit la formation des BC et surtout du NO par
l’intermédiaire de l’espèce B{ C ou Nitrous-NO.
. La concentration de B{ C vaut environ 3 ppm pour les moteurs diesels lourds et entre 12 et 35 ppm
pour les moteurs d’essence équipés d’un catalyseur 3 voies. [35]
Sous une haute pression, l’oxyde nitreux se forme selon la réaction suivante :
C + B{ + G ↔ B{ C + G (M1) (1.35)
B{ C + C ↔ 2BC (1.36)
B{ C + - ↔ B{ + C- ±G3)
(M2)
B{ C + C ↔ B{ + C{ ±G4) (1.38)
(0 .5 atm 1 atm)
Polifke et al. [37] montrent la formation de NO sous haute pression suivant les réactions (M1) et (M2),
ainsi que les réactions consécutives suivantes:
41
Chapitre I : Etat de l’art : synthèse bibliographique
Mellor divise la flamme de combustion en deux zones principales et une autre intermédiaire, comme
le montre la Figure 17.
Figure 17: Schéma du modèle de 2 zones de la formation et la décomposition de NO dans une chambre de combustion
d’un moteur Diesel à injection directe [34].
stœchiométrique ±ϕ ≅ 1) et une température adiabatique calculée par Plee et al. [29] ±2200 0 Ñ
La zone 1 représente les conditions du début de combustion avec une richesse quasi-
”•BCž
= 0X} •Cž•B{ ž + 0X{ •Bž•C{ ž + 0Xƒ •Bž•C-ž
”]
+ 20D{ •B{ Cž•Cž + 20D‚ •B{ Cž•-ž
(1.40)
Dans cette expression, la réaction (M5) n’est pas prise en compte, donc on se limite dans ce modèle
Tableau 3 : la liste des constantes des différentes réactions déjà mentionnées dans le calcul précédent [34]
Il est à noter que la constante k ß}à correspond à k ‚à qui se trouve dans le tableau :
42
Chapitre I : Etat de l’art : synthèse bibliographique
0‚ ,á
0‚ =
0‚ ,á
1+ •Gž
0‚ ,•
(1.42)
Une comparaison entre Zeldovich et les mécanismes de Mellor a été réalisée pour différentes gammes
k â}à ±k}à dans la Figure 18) dépasse k ß}à ±k ‚à dans Figure 18) pour une large gamme de
de pression (cf. Figure 18). Pour les faibles pressions (entre 1 atm et 10 atm par exemple),
températures. Cependant, sous des hautes pressions (> 10 atm) le mécanisme de Nitrous-NO
prédomine pour les faibles températures.
Figure 18: La contribution de mécanismes de Zeldovich et de N2O pour le taux de la formation de NO [34]
”•BCž
= −0} •BCž•Bž − 0{ •BCž•Bž − 0ƒ •BCž•-ž − 20‡ •BCž{
”]
(1.43)
”•BCž
= −20} •BCž•Bž − 20‡ •BCž{
”]
(1.44)
expériences examinant l’évolution des BC après l’introduction de NO pur dans l’air d’admission. La
Easley et al. [38] [39] mettent en évidence ce processus durant la combustion, à travers des
Figure 19 présente une évolution de NO presque linéaire mais de pente plus petite que 1, ce qui
le taux de réaction inverse de la réaction (4)"k ‡å ", qui reflète une équation de second ordre incohérente
confirme le phénomène de décomposition. D’autre part, la linéarité obtenue permet en plus de négliger
43
Chapitre I : Etat de l’art : synthèse bibliographique
Figure 19: Les concentrations de ÅÆÇ , NO et NO2 à l’échappement en fonction de la quantité du NO introduis à
l’admission
De plus, ils prouvent que la décomposition de NO s’accroit avec la richesse, dépendant aussi de la
phase de combustion. Ils montrent aussi que la température de fin de combustion , liée à la richesse,
influe sur cette décomposition. Par conséquent, on conclut que la décomposition se déroule dans la
zone 2 pour une richesse équivalente à la richesse globale et sous la température de fin de combustion
et la pression maximale.
I.2.2.5- NO Fuel
résiduels comme B-ƒ , - B, B …. L’azote contenu dans le carburant est alors à l’origine de la
Certains moteurs diesel lents ou semi rapides utilisent un carburant lourd contenant des composants
formation de NO, appelé « fuel NO ». Cependant, ce mode de formation ne concerne pas les moteurs
automobiles fonctionnant au gazole.
Négligeable dans les moteurs à allumage commandé, le taux de BC{ dans les BC peut atteindre de 10
à 30% dans les moteurs Diesel. [15]
Pour des faibles températures, on observe la formation de radicaux d’hydroperoxyle (-C{ ) [40]:
Y- + C ↔ Y + -C
{ {
(1.45)
Sous des hautes températures, les BC{ qui se forment subissent une réaction de combustion pour
reproduire du NO:
BC{ + C ↔ BC + C{ (1.47)
montre que la richesse globale pour les mélanges très pauvres favorise la formation des BC{ jusqu’à
Du point de vue général, elle dépend de la charge et du régime pour les moteurs Diesel. La Figure 20
44
Chapitre I : Etat de l’art : synthèse bibliographique
un pic pour une richesse approximative de 0,25 au-delà de laquelle les BC{ suivent une tendance
décroissante due principalement à l’élévation des températures de combustion.
Figure 20: La variation des émissions de ÅÆÇ en fonction de la richesse globale. [40]
I.2.2.7- Conclusion
Le tableau ci-dessous récapitule la combinaison déjà soulignée entre les différents mécanismes
adoptés.
Tableau 4 : Les différents mécanismes participant à la formation de NO dans des conditions de température et de
pression différentes [34] [17]
Il montre que le mécanisme de Zeldovitch NO thermique est prépondérant dans les conditions usuelles
en combustion Diesel conventionnelle et que le NO précoce est négligeable. Néanmoins, les
paragraphes précédents ont montré que des incertitudes subsistent quant aux mécanismes détaillés de
formation, le mécanisme de Zeldovitch n’étant qu’une représentation approximative de la réalité. Son
application suppose en outre d’accéder avec précision à la distribution de température dans le cylindre
le cadre d’un modèle rapide et il apparait légitime de représenter la dépendance des émissions de BC
et aux concentrations locale de plusieurs espèces chimiques. Sa mise en œuvre est donc complexe dans
du NO2 à l’intérieur des BC , même si elle est importante pour les systèmes de post-traitement,
à la température et la concentration en oxygène de manière simplifiée. Enfin, la distinction du NO et
La plupart des auteurs classifient les particules (PM) parmi les émissions les plus complexes et les plus
intéressantes [15] [23] [18], surtout au niveau de leur formation (Conditions, mécanismes, facteurs
d’influence…) qui fait toujours l’objet de nombreuses recherches.
Les particules se forment généralement durant les 2 étapes de combustion (la précombustion et la
diffusion) et également dans des conditions riches et pauvres [40].
45
Chapitre I : Etat de l’art : synthèse bibliographique
Les particules sont les responsables essentielles de la couleur noire à l’échappement. Dans la plupart
des études on en mesure mesurer la masse et parfois le nombre. Au niveau technique, les gaz
d’échappement sont dilués sous une température ≈ 47 °C ± 5°C et avec des rapports de 3:1 jusqu’à
20:1 [18], en utilisant des tunnels de dilution pour simuler la dilution atmosphérique qui se déroule
dans la réalité.
La composition et la distribution du volume des particules sont différentes d’un auteur à l’autre et
d’une étude à une autre en fonction des conditions d’échantillonnage prises en compte comme : le type
du moteur, la vitesse, la charge, la composition du carburant, l’huile de lubrification et la technologie
de contrôle des émissions [41].
Les particules se répartissent généralement en chaines pour les pleines charges et en grappes de
sphérules pour les faibles et moyennes charges. [42]
D’après Oger [43] chaque grappe ou chaine contient environ 4000 petites particules sphériques
appelées « sphérules ». Ces sphérules possèdent entre 105 et 106 atomes de carbone.
Chaque chercheur identifie la taille des agglomérats selon la précision et la capacité de mesure de ses
outils. Mais la plupart des auteurs donnent des nombres très proches qui se situent entre 10 et 1000 nm
pour le diamètre (cf. Figure 21), et de 200 m2/g pour la surface de chacun de ces particules primaires. (
[42] : 10 – 80 nm ; [35] : 3 – 1000 nm ; [44] : 7- 40 nm ; [45] : 15 – 40 nm).
Figure 21: Une image pour les agrégats de particules primaires. [43]
Parmi les classifications réalisées pour caractériser les particules, on distingue 2 approches :
- La composition des particules.
- Leurs diamètres aérodynamiques et proportions massiques.
- La Composition :
Pour le moteur Diesel, on répartit les particules en 3 grands sous-groupes,admis par la plupart des
auteurs de littérature [15] [23] [17] [43] [35] [18] (cf. Figure 22):
- La Fraction Solide nommée SOL
- La Fraction Organique Soluble nommée SOF
- Les particules de sulfate nommée SO4
Avec TPM (Total Particulates Matter) = SOL + SOF + SO4;
46
Chapitre I : Etat de l’art : synthèse bibliographique
La SOL comprend les composants de carbone ainsi que les cendres (cf. ). Le carbone appelé aussi
carbone inorganique est la partie solide de particules. Les cellules hexagonales des atomes de carbone
forment ensemble des plaquettes qui sont arrangées en couches pour construire des cristallites de
graphite et puis des particules de forme sphérique [18].
Les cendres comportent des composants métalliques affectant la performance des filtres à cause de la
corrosion qu’ils peuvent provoquer. D’après Sharma et al. [46] les métaux (0,3% de TPM) dominants
sont : Si, Cu, Ca(majoritaire), Zn et P. On trouve également en plus petites proportions Na, Fe, Ni, Ba
et Cr. Leur quantité dépend essentiellement de celle existant dans le carburant, sachant qu’elle
augmente avec la diminution de la charge.
La SOF est la partie organique volatile qui augmente aussi avec la diminution de la charge (au ralenti
ou à froid elle constitue la partie la plus grande ≈67 % de TPM [46]), et qui est composée typiquement
des hydrocarbures issus de l’huile de lubrification et du carburant.
Cette SOF (pour T< 500 °C [23]) contient plus précisément [23] [17] [35] :
- Des hydrocarbures imbrûlés ;
- Des dérivés oxygénés (cétones, esters, aldéhydes, lactones, éthers, acides organiques…) ;
- HAP : hydrocarbures aromatiques polycycliques accompagnés de leurs dérivés nitrés,
Les particules de sulfate sont les produits de la réaction entre -{ C et -{ [C‡ avec un rapport de 8 : 3
oxygénés…
Les particules sont réparties en 4 catégories selon leurs diamètres aérodynamiques2 [18] :
- PM10 pour D < 10 µm.
- Les particules fines pour D < 2.5 µm.
- Les particules ultrafines pour D< 0.1 µm.
- Les nanoparticules pour D< 50 nm.
2
Diamètre aérodynamique : est une grandeur équivalente (longueur) utilisée pour décrire le
comportement de particules solides ou liquides dans un fluide gazeux. Il est défini comme le
diamètre d’une sphère de densité unitaire ayant la même vitesse de décantation (ou
sédimentation, ou encore vitesse terminale de chute) que la particule dans un fluide en repos
47
Chapitre I : Etat de l’art : synthèse bibliographique
Quelques auteurs [15] [43] [18] [44] classifient les particules selon leurs nombres et leurs proportions
massiques en 3 modes différents (cf. Figure 24):
- Mode des noyaux ou « nuclei » : de diamètre entre 3 et 30 nm, la plupart entre 10 et 20 nm.
Souvent, elles sont composées d’hydrocarbures, d’acide sulfurique et de quelques matériaux
solides, selonMajewski [18]. En revanche les études d’Abdul-Khalek [44] montrent que les
nuclei sont des solides en grande proportion et qu’ils se forment essentiellement par
volatilisation de l’huile de lubrification puis par nucléation durant la détente.
- Mode d’accumulation : de diamètre entre 30 et 500 nm , la plupart entre 100 et 200 nm. Ce
mode comprend les particules fines, ultrafines et les nanoparticules. Elles se composent de
carbone, de cendres, d’hydrocarbures lourds et d’espèces sulfuriques.
- Mode rude ou grossier : de diamètre > 1000 nm. Elles constituent 5 à 20 % de la masse
totale des particules.
Un grand groupe de chercheurs [15] [23] [47] [48] [17] [43] [42] [35] [18] [40] [41] [49] définissent le
mécanisme de formation des particules de suie suivant 5 ou 6 étapes consécutives comme le montre la
Figure 25:
- Pyrolyse du carburant :
48
Chapitre I : Etat de l’art : synthèse bibliographique
Durant l’étape de pyrolyse, le carburant subit quelques changements dans sa structure moléculaire
suivant quelques réactions chimiques dépendantes de la haute température et de la concentration de
différentes espèces.
Les produits de ces réactions seront les précurseurs de la suie qui se forme comme [48] :
- Les hydrocarbures insaturés.
La figure ci-dessous montre les réactions de formation du benzène pour de différentes températures et
différents chemins.
La faible quantité de quelques radicaux comme l’C, C- favorisent la pyrolyse dans les zones riches
surtout durant la diffusion de la flamme, où la quantité d’oxygène disponible devient de plus en plus
petite.
- Nucléation :
C’est la naissance des particules solides (diamètre entre 1,5 – 2 nm [43] [48]) appelées « nuclei » ou
« noyaux » à partir des réactifs en phase gazeuse.
Elle est due à l’addition de quelques petits hydrocarbures aliphatiques aux particules aromatiques
(pour des températures entre 1300 K et 1600 K). Amann et al. [42] prouvent que pour les faibles
températures, les hydrocarbures aromatiques produisent la suie d’une façon rapide et directe subissant
des réactions de condensation de ces cycles aromatiques en d’autres structures de type graphite. En
revanche, pour des hautes températures > 1800 K, on observe des réactions de fragmentation en petites
particules hydrocarbonées, qui aboutissent à la formation de molécules insaturées et finalement à la
production indirecte des petits noyaux de suie.
Les molécules aliphatiques suivent seulement les chemins indirects comme la montre la figure ci-
dessous.
49
Chapitre I : Etat de l’art : synthèse bibliographique
- Grossissement de surface :
C’est la partie la plus influente sur la masse totale ou le volume des particules produites finales.
Elle suit directement le processus de nucléation en ajoutant de la masse (acétylène) en phase gazeuse
Amann et al. [42] définissent une fraction de volume de suie Fæ en fonction du temps (cf. Figure 28) :
aux « nuclei » déjà formés, mais en gardant toujours le même nombre de particules existantes.
ç
'( = ² ³ B ƒ
6
(1.48)
= BJ − BJ
9?
9
(1.49)
avec BJ la vitesse de l’apparition de nouveaux noyaux de suie, et BJ est la vitesse de formation des
Et
Figure 28: les tendances de la fraction de suie èé , de la densité du nombre de particules N, du diamètre êë et du
rapport hydrogène/carbone dans la flamme de combustion. [42]
- Coalescence et Agglomération :
Dès que les particules de suie s’accroissent sous forme de sphérules solides ou liquide, les collisions
internes se multiplient provoquant ce qu’on appelle l’agglomération et la coalescence. La coalescence
est la fusion des particules après collision, en réduisant par conséquent le nombre de particules
existantes mais sans affecter leurs masses initiales. L’agglomération est la genèse des chaines ou des
groupes de particules qui gardent leurs formes initiales.
50
Chapitre I : Etat de l’art : synthèse bibliographique
Plusieurs chercheurs ont développé différentes équations décrivant le taux de changement du nombre
de particules N comme l’équation de Smoluchowski développée par Whytlaw-Gray et Patterson
(1932) et montrée par Amann et al. [42] :
”B
= −0B {
”]
(1.50)
K : coefficient de coagulation
N : densité du nombre de particules
Ces équations traduisent la forte relation entre le processus d’agglomération et la densité des particules
de suie disponibles.
En outre, le volume des particules primaires, générées avant la fin de la combustion, est affecté
généralement par les conditions de fonctionnement, le type des injecteurs et les conditions d’injection.
Durant la combustion il existe une période, qui suit le pic de richesse et qui précède la diminution de la
température pendant la détente, durant laquelle l’oxydation des particules de suie a lieu. Elle est
possible durant toutes les phases de formation de suie, dépendant toujours de la température (pour
T>1300 K d’après Glassman) et du temps de résidence d’après Kittelson [50] qui démontre l’influence
de la vitesse et de la charge du moteur sur le rendement de l’oxydation.
prédomine pour cette oxydation tandis que l’C{ prévaut pour les mélanges pauvres.
Quant à la déshydrogénation, on remarque sur la Figure 28 que le rapport H/C est toujours décroissant.
Il équivaut d’après Amann [42] à peu près à 12.5 % de la valeur initiale du carburant utilisé.
Cependant, il n’a pas un effet significatif sur la masse totale des particules formées.
I.2.3.3- Conclusions
Les mécanismes qui régissent la formation des particules sont très complexes. Il s’agit de processus
physico chimiques : les premières étapes sont liées aux réactions chimiques qui produisent des
précurseurs à partir des molécules de carburant ; par la suite les suies formées sont soumises à des
phénomènes de coalescence et d’agglomération ; finalement l’oxydation éventuelle est liée à la
rencontre des suies avec des radicaux adéquats. Il semble difficile de décrire en détail ces différents
phénomènes dans un modèle simplifié. En revanche on pourra conserver une modélisation séparée
pour la formation et l’oxydation.
techniques de dépollution à la source associées. Afin de fournir une vue d’ensemble de la dépollution
des moteurs Diesel automobile, les techniques de post-traitement seront également rapidement
évoquées en fin de partie.
51
Chapitre I : Etat de l’art : synthèse bibliographique
Pour Degobert [23], la réduction des émissions de BC permise par l’utilisation de l’EGR est estimée
de 30 jusqu’à 50 %. Mais l’EGR favorise les autres émissions de HC, CO et les particules.
Afin d’optimiser cette technique de dilution, il faut bien régler le taux d’EGR en fonction de plusieurs
critères tels que:
- La température du liquide de refroidissement
- La pression ambiante
- Le régime et la charge du moteur
de BC avec l’augmentation du taux d’EGR est très claire , de même que l’augmentation des suies.
pression de suralimentation ainsi que l’homogénéité du mélange air-EGR. La réduction des émissions
Figure 29: L’allure des émissions de ÅÆÇ et de suie en fonction du taux d’EGR prenant en compte la température du
collecteur d’admission.
Le compromis qui apparait entre les BC et les suies implique également la consommation spécifique
(ou rendement) qui se dégrade lorsque le taux d’EGR augmente, en raison notamment d’un
retardement de la combustion dû à l’allongement du délai d’inflammation. Afin d’isoler cet effet,
Maiboom [51] a procédé à un recalage de l’injection afin de maintenir constant le centre de la
combustion (CA50) (Figure 30). .
52
Chapitre I : Etat de l’art : synthèse bibliographique
Figure 30: Les émissions de ÅÆÇ et de suie en fonction du taux d’EGR avec et sans réajustement de l’injection
Alors que l’effet apparait assez limité sur les BC , le recalage conduit à une augmentation importante
des suies pour les forts taux d’EGR. Il semble alors que les conditions d’oxydations des suies soient
défavorables, par manque d’oxygène. Les émissions sont alors principalement liées à la production,
elle-même favorisée par la température élevée. Pour étudier l’impact de la richesse globale sur les
émissions, Maiboom a également effectué une variation du taux d’EGR en conservant un rapport
Air/carburant (AFR) constant, en augmentant la pression de suralimentation pour compenser la
présence d’EGR (EGR supplémentaire au lieu d’EGR de substitution). La Figure 31 montre qu’il en
résulte une réduction significative des émissions de suies, tandisque les émissions de BC augmentent
légèrement.
Le réglage du taux d’EGR est donc un compromis entre plusieurs objectifs (émission de BC , suies,
rendement) et doit prendre en compte les différentes limites liées à la conception du moteur (système
de suralimentation, d’injection,..)
D’autres auteurs comme Ladommatos et al. [52] [53], montrent l’effet de l’EGR sur le dégagement de
chaleur ainsi que sur les émissions polluantes. Dans leurs études, ils mettent en évidence l’effet de
vannage thermique (« thermal throttling ») provoqué par l’EGR. Il en résulte que l’EGR chaud aboutit
à une réduction de la masse d’air introduite mais aussi à l’augmentation de la température
d’admission. Ces deux effets contribuent ensemble à l’élévation de la température maximale durant la
Afin de répondre aux normes les plus sévères pour la limitation des BC , le système classique à haute
pression (reliant l’entrée turbine à la sortie compresseur) n’est pas toujours suffisant. Afin d’accroitre
la plage de fonctionnement de l’EGR une boucle à basse pression (entre la sortie turbine et l’entrée
compresseur) est souvent mise en place (voir Figure 32). Cette boucle permet d’augmenter le taux
d’EGR jusqu’à 50% ou 60%, le fonctionnement du turbocompresseur étant moins affecté par le taux
d’EGR qu’avec la configuration HP sans le risque de détériorer le compresseur par les particules de
suie. Cette dernière est souvent maintenue pour les points de très faibles charges et pour le
fonctionnement à froid.
53
Chapitre I : Etat de l’art : synthèse bibliographique
Le système d’injection occupe une partie importante parmi les facteurs contrôlant les émissions
polluantes des moteurs Diesel à injection directe.
En effet, de nombreux travaux de recherche tentent d’analyser son influence sur l’évolution des
émissions à travers des études numériques et expérimentales.
Ce système global comporte un groupe de paramètres ayant des effets directs ou indirects dépendant
de la nature des moteurs étudiés et des émissions observées.
On cite ci-après quelques-uns :
- L’Avance à injection :
On se réfère notamment dans cette partie aux études réalisées par Jia et al. [54] qui utilisent une
simulation numérique 3D pour étudier la combustion diesel.
L’effet de ce paramètre sur le délai d’auto-inflammation est très net : plus le carburant est injecté tôt
au cours de la compression plus le délai augmente. Par conséquent, une augmentation de la
combustion de pré-mélange et une pression ou un dégagement de chaleur plus élevés sont observés par
Jia [54], ce qui est confirmé par Degobert [23] Zhu et al. [53] ainsi que Shayler et al. [55].
Dans ses études, Jia [54] observe en parallèle l’effet du timing de fermeture des soupapes d’admission.
en fin de combustion qui se trouve décalée plus tard dans la détente et qui compromet l’oxydation) et
de la consommation spécifique [23] [53].
54
Chapitre I : Etat de l’art : synthèse bibliographique
Figure 33: L’effet du temps d’injection et de la fermeture de la soupape d’admission sur les émissionsÅÆÇ . [54]
La Figure 34 illustre les évolutions des suies CO HC qui augmentent lors d’injection très tardives,
mais aussi en cas d’injection très précoces, surtout lorsque la fermeture des soupapes d’admission est
tardive.. Cela est probablement dû à la faible masse d’air enfermée et donc à une richesse plus forte du
mélange [23] et à une augmentation des zones pauvres [40], ainsi qu’à la probabilité importante de
l’impact du carburant injecté sur les parois de la chambre de combustion favorisant l’émission
d’imbrûlés [54] [40].
Figure 34: L’effet du temps d’injection et de la fermeture de la soupape d’admission sur les émissions de suie, HC et
CO. [54]
- La Pression d’Injection :
La pression d’injection favorise la formation des BC d’une part, et réduit les particules et les
hydrocarbures imbrûlés d’autre part. Ça revient principalement à une combustion de pré-mélange
avancée et d’intensité plus haute (température, pression et dégagement de chaleur plus importants)
[56] ainsi qu’à une atomisation plus élevée et plus de régions pauvres. D’après Park et al. [57], les
émissions de HC sont principalement liées au carburant qui reste dans le volume du sac de l’injecteur
pour les petites pressions d’injections.
Plusieurs auteurs [23] [48] [47] relient les quantités de suie et de BC formées à la vitesse d’injection
qui est proportionnelle à la racine carrée de la pression d’injection (`#$P ~ √∆Pïðñ ).
Avec une pression d’injection plus importante, on a une vitesse d’injection plus rapide qui conduit à
conséquent à moins de suie (moins de richesse locale) et plus de BC (température plus élevée). Pickett
une longueur d’accroche de flamme plus grande c’est-à-dire à plus d’entrainement d’air et par
et al. [47] ajoutent aussi l’effet du temps de résidence du carburant qui se réduit avec la vitesse
d’injection, réduisant en conséquence la suie formée. Degobert [23] évoquent une pression optimale
(située entre 75 et 100 MPa dans le cas étudié) : pour une pression trop élevée la suie est encore plus
réduite mais la consommation spécifique et le bruit augmentent.
55
Chapitre I : Etat de l’art : synthèse bibliographique
Patterson [58] et Pierpont et al. [59] mentionnent aussi la nécessité de trouver un compromis entre les
Mallamo [56] définit une fonction objectif qui représente le compromis entre les BC et les particules
émissions et la consommation spécifique.
Figure 35: PM vs ÅÆÇ produits en fonction de la pression d’injection et du début d’injection. [56]
- La Multi-Injection :
Les effets de la multi-injection sur les émissions et le rendement des moteurs Diesel sont variables et
parfois antagonistes, de telle sorte qu’il n’est pas possible de les résumer simplement.
simultanément les émissions de BC et des particules en jouant sur les quantités injectées durant les
Shundoh et al. [60] et Nehmer et al. [61] montrent que la multi-injection peut également réduire
première injection ou injection pilote réduit les émissions de BC et favorise celle des particules. Pour
diverses injections utilisées. Ils observent que la réduction de la quantité du carburant dans la
Avec un Dwell réduit au minimum, on obtient un peu moins de BC et un peu plus de suie que pour
D’autres auteurs montrent l’importance du temps de Dwell qui sépare les différentes injections.
une simple injection, réduisant le pic de pression et de température et le bruit de la combustion de pré-
BC /PM [62]. En revanche, selon l’étude de Shayler [55] la quantité de suie formée est plus réduite
mélange. En outre, dans ce cas la quantité de carburant injectée n’affecte pas la courbe du compromis
Pour un temps de Dwell plus important, on observe moins de suie et moins de BC c’est-à-dire une
pour un rapport d’injection (1ère/2ème) plus faible, tandis qu’on observe plus de BC .
courbe de compromis BC /PM plus proche de l’origine [62]. Dans son étude, Tow [62] montre que
pour un niveau de BC constant, un temps de dwell = 10 °vil est le temps optimal pour un minimum
de suie.Shayler et al. [55] adoptent une séparation de 20° vil entre les différentes injections. D’après
aboutit à une réduction de BC à cause de la température plus faible qui règne avant la 2ème injection
leurs travaux, pour une injection double, la réduction de la part injectée lors de la première injection
(la formation des BC sera gelée durant la détente). En revanche l’augmentation de la part injectée
dans la deuxième injection favorise la formation de suie.
A propos de la pré-injection, Benajes [63] montre une réduction de la consommation spécifique qui
résulte d’un rendement de combustion amélioré. Ce dernier est une conséquence logique du
56
Chapitre I : Etat de l’art : synthèse bibliographique
étudiés, avec une augmentation relative des BC et des suies, toujours dépendant du dwell et du
place. En revanche, les émissions polluantes subissent une influence négative dans la plupart des cas
O’connor et al. [64] montrent que le raccourcissement de l’injection principale réduit la production de
suie [23], car il limite l’enrichissement du spray qui favorise la formation des suies.
La géométrie et les conditions régnant au niveau de la buse de l’injecteur affectent les émissions de
HC et de suie à l’échappement. L’impact dépend notamment du type de buse, du diamètre de l’orifice
ou du trou d’injection, du petit volume du sac qui se situe entre le siège de l’aiguille de l’injecteur et
les trous d’injections ainsi que du nombre de trous.
La plupart des auteurs prennent en compte l’effet intermédiaire de la géométrie sur la pression
d’injection ou bien sur le taux d’injection. Les deux types les plus connus sont : les buses arrondies ou
« rounded-edged nozzles » et les buses à angles vifs ou « sharp-edged nozzles ». Chaque type a besoin
d’une pression d’injection spécifique pour atteindre le même taux d’injection.
Les résultats expérimentaux obtenus par Pierpont et al. [59] montrent que pour la même vitesse
d’injection on observe des émissions de particules beaucoup moins élevées pour la buse à angles vifs.
Ce résultat est attribué au rapport réduit de la longueur sur le diamètre (L/D).
La réduction du taux de compression est une des techniques suivies pour diminuer la température de
combustion et donc les émissions de BC . La moyenne actuelle est entre 15,5 et 16:1 [3]. La basse
pression de compression peut améliorer la répartition des microgouttelettes de carburant dans l’air.
En revanche, l’inconvénient de cette technique est l’irrégularité de la combustion lors des démarrages
(notamment à froid). Ce problème peut être résolu par l’installation de bougies de préchauffage ou
bien par la recirculation interne des gaz d’échappement via un système de double levée des soupapes
d’échappement qui permet de réintroduire une certaine quantité de gaz d’échappement à travers d’une
des deux soupapes d’échappement.
I.2.4.2- Post-Traitement
57
Chapitre I : Etat de l’art : synthèse bibliographique
Les niveaux d’émission de plus en plus bas imposés par les normes rendent la réduction à la source
insuffisante et obligent les constructeurs à recourir à des systèmes de post-traitement pour traiter CO et
DPF Diesel Particulate Filter) et plus récemment les BC avec 2 systèmes possibles décrit ci-après.
HC (Catalyseur d’Oxydation DOC : Diesel Oxydation Catalyst) les PM (FAP : Filtre A Particules ou
Le catalyseur à 3 voies utilisé dans les moteurs à essence ne peut être utilisé tel quel dans les moteurs
diesel qui fonctionnent en excès d’air. Il peut être remplacé par un catalyseur à accumulation, comme
le montre la Figure 36.
En deuxième phase, le BCƒ est transformé en diazote après une réaction avec les agents réducteurs
existants comme les hydrocarbures et le monoxyde de carbone. Cette phase nécessite fonctionner
ponctuellement avec un mélange riche.
de BC . Son taux de traitement peut atteindre 95%. Son fonctionnement consiste à convertir les BC
Ce système appelé la réduction catalytique sélective (cf. Figure 37) sert aussi à traiter les émissions
58
Chapitre I : Etat de l’art : synthèse bibliographique
d’eau et 32,5 % d’urée synthétique ±B-{ )2 C qui se décompose à haute température en acide
L’ammoniac, étant toxique et réglementé dans de nombreux marchés, est remplacé par un mélange
L’acide isocyanique donne aussi lui-même, par une réaction avec l’eau, de l’ammoniac et du dioxyde
de carbone :
Le filtre à particules piège les particules carbonées rejetées par le moteur. Au bout d’un certain temps,
l’accumulation de cette suie entraîne une chute de pression entre l’entrée et la sortie du filtre - comme
le ferait l’encrassement d’un tuyau -, variation détectée par un capteur de pression, qui envoie
l’information à un calculateur. Celui-ci est connecté à un automate qui, en fonction des conditions de
conduite (ville, autoroute, charge, type de conduite, etc.) déclenche une régénération du filtre, en
principe tous les 300 km à 800 km.
Cette augmentation de température est obtenue en travaillant sur les phases de l’injection de carburant:
l’injection principale est retardée et on introduit une post-injection. Le cycle de régénération dure une
quinzaine de minutes. Sur le nouveau filtre à particules mis au point par Renault, le dépôt à la surface
de la céramique d’une fine pellicule de platine permet en outre d’abaisser la température d’oxydation
des suies.
Synthèse
59
Chapitre I : Etat de l’art : synthèse bibliographique
Ces mécanismes sont variés (par exemple pour les BC , NO précoce, NO thermique, NO via N2O) et
imparfaitement caractérisés (ainsi de nombreux compléments et corrections sont proposés au
mécanisme de Zeldovitch). Ils allient des phénomènes physiques, liés notamment au développement
du spray de carburant qui conditionne les richesses et températures locales, et des réactions chimiques
complexes. Dans ce contexte, les descriptions les plus détaillées n’apparaissent pas directement
compatibles avec une modélisation répondant aux objectifs de cette étude (rapidité d’exécution,
facilité de calibration, précision). Néanmoins, il est possible d’extraire les caractéristiques essentielles
- Pour les BC le mécanisme thermique est prépondérant : il est favorisé par la température et la
de ces mécanismes de formation dans le cadre de la combustion Diesel conventionnelle :
concentration en O2
- Pour les PM il convient de distinguer la phase de formation favorisée par la présence de zones
riches et à température élevée au cœur du spray et l’oxydation ultérieure liée à la présence de
radicaux oxydants et à une température suffisante en fin de combustion
L’étude bibliographique a aussi permis d’identifier les principaux paramètres de réglage moteurs qui
influencent le niveau d’émission et sont utilisés pour la réduction à la source ainsi que pour le contrôle
des dispositifs de post-traitement. Il s’agit des paramètres d’injection (avance, pression, multi-
opposés sur les émissions de BC et de suies, aboutissant à un compromis nécessaire entre ces 2
injection) et de boucle d’air (EGR, pression de suralimentation). Ces paramètres ont souvent des effets
polluants.
Cette classe de modèles a été développée depuis quelques décennies (fin des années 70), et est
largement appliquée dans de nombreux domaines.. L’objet de cette modélisation est de simuler en
détails le comportement d’un fluide donné à partir des équations de Navier Stokes et des équations de
conservation d’énergie, de masse et des espèces [15]. Dans un moteur Diesel, ces modèles analysent
essentiellement les processus de combustion, de transfert de chaleur et les débits des gaz d’admission
et d’échappement. Ils consistent à discrétiser la zone d’étude en un nombre fini d’éléments de micro-
volume, puis y appliquer les équations différentielles appropriées. Un modèle 3D typique comporte
donc chacun des composants suivants :
• Les équations et les modèles mathématiques qui servent à décrire les écoulements des gaz
existants dans une chambre de combustion.
• La procédure de maillage puis la construction du système de relations algébriques pour les
différentes variables d’état comme la pression, la température, le volume, la vitesse…etc.
• Un code de calcul qui sert à résoudre le système d’équations algébriques à partir d’un
algorithme numérique. De nombreux codes ont été développés dans l’histoire de la
modélisation 3D, notamment CONCHAS, KIVA, TASCflow3D, FIRE, STAR_CD,
FLUENT, N3S, OpenFOAM…etc.
60
Chapitre I : Etat de l’art : synthèse bibliographique
turbulence k‒ ϵ. Parmi les modèles largement utilisés, on note deux modèles très importants :
Les modèles de combustion tridimensionnels s’appuient, dans une large mesure, sur le modèle de
Shell/CTC et l’intégration directe de la cinétique chimique. Le premier est caractérisé par sa simplicité
et sa précision pour une combustion diesel conventionnelle. Il modélise le processus d’auto-
inflammation ainsi que les taux de réaction de toutes les espèces intervenant dans la combustion, à
travers un temps caractéristique laminaire et un autre turbulent. Ce type de modèle n’est pas applicable
pour les combustions non conventionnelles comme la combustion basse température (Low
Temperature Combustion-LTC ou HCCI : Homogeneous Charge Compression Ignition). En
revanche, le deuxième modèle adopte la chimie complexe pour décrire la combustion. Ceci lui assure
une prédictibilité plus large qui peut couvrir plus de configurations moteur. Le code CHEMKIN est le
solveur le plus populaire dans ce cas pour résoudre les systèmes de cinétique chimique complexes
utilisés. Le nombre très important de réactions et d’espèces à prendre en compte dans de tels systèmes
cinétiques pose souvent des difficultés en termes de temps de calcul. Pour cela, un mécanisme réduit
(le « squelette » du mécanisme initial, comportant une centaine d’espèces et de réactions) est souvent
utilisé avec un bon compromis entre temps de calcul et précision.
De nombreux autres modèles ont été proposés pour la simulation 3D, par exemple : EBU, EDM,
EBU/Arrhenius, RIF, CMC and PDF…etc. La différence entre ces modèles réside dans la
modélisation de la turbulence, la description de la structure de flamme et la cinétique chimique
adoptée.
via B{ C peuvent aussi être prise en compte dans un modèle 3D afin de répondre à tous les
Zeldovich prédominent notamment la description de la voie thermique. La formation de NO précoce
Les modèles de particules sont beaucoup plus compliqués du fait qu’ils comportent de nombreux
processus physiques et chimiques (cf. section I.2.2.2). Pour les applications industrielles, la plupart des
modèles de suie CFD réduisent ces processus à deux mécanismes primordiaux : la formation et
l’oxydation des suies. Deux modèles très connus sont les plus utilisés :
o Modèles à base de loi d’Arrhenius développés par Hiroyasu et Nishida.
o Modèle de Nagle et Strickland-Constable qui modélise l’oxydation avec deux sites de
réactions.
Les modèles de combustion 0D/1D s’appuient généralement sur des sous modèles phénoménologiques
pour décrire la turbulence, la vaporisation du carburant ou le délai d’auto-inflammation. En effet, ces
éléments affectent fortement le déroulement de la combustion et l’allure du dégagement de chaleur.
C’est pourquoi ils sont brièvement analysés avant d’évoquer la modélisation de la combustion
proprement dite. Enfin, la modélisation des émissions polluantes via cette approche 0D est abordée, en
distinguant les modèles semi-physiques, empiriques et moyens. Cette synthèse ne se veut pas
exhaustive (il existe un très grand nombre de modèles, parfois assez proches) mais vise à présenter
quelques modèles parmi les plus représentatifs.
Ce modèle consiste essentiellement à envisager les énergies cinétiques turbulentes engendrées durant
le cycle moteur. On distingue plusieurs sources pour la turbulence, principalement :
- L’injection du carburant
- Le swirl
61
Chapitre I : Etat de l’art : synthèse bibliographique
- Le tumble
- Le squish
- La combustion
Certains auteurs [66] [67] [68] [69] négligent l’effet des mouvements de l’air (swirl, tumble et squish)
õö
par rapport à l’effet du spray.
Le taux d’énergie cinétique totale ÷øù est exprimé en général par la différence entre l’énergie
õú
cinétique produite et celle dissipée dans le cylindre:
” ” ”
= û û −
"#$ "#$ "#$
”] ”] ”]
(1.56)
9 9#
L’énergie cinétique produite est liée à l’injection du carburant. Ainsi, Chmela et al. [69] puis Barba et
al. [70] ont proposé une relation, adoptée ultérieurement par d’autres auteurs [66] [68] [71]:
” 1 ”7" .
û = üK#{ . ý
"#$
”] 2 ”]
(1.57)
9
Tandis que l’énergie dissipée dépend de cette énergie produite, et peut être déduite à travers une
fonction simple intégrant un coefficient de dissipation U# comme le montre léquation suivante :
”
û =
"#$
”] 9# U# "#$
(1.58)
Cette énergie cinétique sert à calculer les éléments des approches 0 − o définies en fonction de
plusieurs constantes de calibration. 0 est la
þ
combustion à travers d’une fréquence de mélange % é = %±0). D’autres auteurs [68] définissent un
Par conséquent, ce modèle d’énergie cinétique turbulente sera utilisé dans le modèle du taux de
Si on ne néglige pas les autres sources, l’équation de l’énergie cinétique totale devient :
” ” ” ” ”
= + + +
"#$ "#$, V# "#$, . "#$, É # T "#$, I
”] ”] ”] ”] ”]
(1.59)
L’évaporation est principalement liée à l’interaction des gouttelettes de carburant avec les gaz chauds
environnants. Elle dépend donc très fortement des conditions thermodynamiques régant dans la
chambre de combustion lors de l’injection.
Il existe essentiellement trois approches pour ce modèle [66] [67] [68]:
Le modèle global définit un temps caractéristique d’évaporation τ£æ à modéliser en fonction des
- La modélisation d’une gouttelette isolée
7" . et 7" . sont respectivement les masses du carburant gazeux et liquide présentes
Avec :
62
Chapitre I : Etat de l’art : synthèse bibliographique
D’autres auteurs comme Jung et al. [72] et Arsie et al. [73] adoptent d’autres expressions plus
complexes prenant en compte le nombre de gouttelettes du spray injecté ainsi que leur diamètre initial
appelé SMD (Sauter Mean Diameter).
Le délai d’inflammation peut être divisé en un délai physique et un autre chimique [70]. Le délai
mélange air/carburant. Il est parfois remplacé par le temps d’évaporation τ£æ évoqué précédemment.
physique est plutôt lié aux sous-modèles de spray ou d’entrainement d’air, ou encore de préparation du
Le délai chimique est modélisé par presque tous les auteurs sous la forme d’un temps caractéristique
évalué par une équation d’Arrhenius de formule générale [74] [17] [75] [76] [67] [70] [77] [78] [69]
4
[79] :
Arsie et al. [75] présentent la constante c} pour chaque injection par une corrélation dépendante de la
vitesse de rotation N et de la richesse n :
} = } + {B + ƒn + ‡n
{
+ ‚n
ƒ
(1.62)
Barba et al. [70] ajoutent en plus un coefficient fonction du taux d’EGR d:;< pour avoir enfin un
temps caractéristique réglé en fonction de tous les paramètres [80]:
”] atteint 1.
é‘ }
Š‹Œ Ž 1
Le délai d’auto-inflammation est atteint lorsque l’intégrale
Dans le cas de la multi-injection, chaque injection aura son propre délai.
I.3.2.4- Combustion
”c.
dégagement de chaleur en fonction de plusieurs paramètres à recaler :
= . ±7( + 1). f . Z 2 I È
( È
”q ∆q
(1.64)
Afin de prendre en compte les deux phases de combustion (pré-mélange et diffusion), Wiebe définit la
loi de double Wiebe séparant en deux équations similaires les deux phases recensées, d’où :
63
Chapitre I : Etat de l’art : synthèse bibliographique
”c.
= %. . ±7(} + 1). f È . Z 2 È I + ±1
(} È È
”q ∆q
− %). . ±7({ + 1). f . Z2
({ QI Q È
∆q
(1.65)
Q
Un troisième modèle est mis en place aussi par Jaine [74]. Il consiste à faire appel à une phase de
Wiebe suivie par une hyperbole :
”S" ”SV# .
¬ÕKW q9é. Ö q Ö q =
”] ”]
(1.66)
”S" ”STI
¬ÕKW q Ö q Ö q #$ =
”] ”]
(1.67)
- Physique (Mono-Zone)
D’autres modèles plus physiques prennent en compte la turbulence créée dans la chambre de
combustion qui est considérée mono zone homogène.
On cite par exemple les modèles de Chmela et al. [77] [69] et Barba et al. [70] détaillés aussi par Jaine
S"
Avec :
%} = G" −
.
L /
(1.69)
√l
> • þ
%{ = Z ò Ž
(1.70)
0= ..
"#$,U#
G"I
(1.71)
7
r=
Avec :
7
(1.73)
7J" ., = 3} . 3{ . p È 2} ±1 − p È ) Q 2} (1.74)
7J" .,9# = 3ƒ . 3‡ . p 2}
Zc¬±−3ƒ p ) (1.75)
64
Chapitre I : Etat de l’art : synthèse bibliographique
Avec m la masse du carburant brûlé en pré-mélange, mõ celle brûlée en diffusion, mú la masse totale
du carburant brûlé, p est le temps adimensionnel et 3} , 3{ , 3ƒ Z] 3‡ les facteurs de forme du taux de
dégagement de chaleur.
Les paramètres déjà recensés sont identifiés par Arsie et al. [75] en fonction du délai d’AI p6U , la
pression dans le rail L#$P , la vitesse de rotation B et la richesse n.
Ce modèle présente de bons résultats sur des moteurs à multi-injection et sert de base à des estimations
d’émissions polluantes.
HCCI. Mauviot calcule le taux de réaction de chaque espèce ωJ £ (dans ce cas 8 espèces) en fonction
points de fonctionnement avec de forts taux d’EGR et une combustion non conventionnelle de type
J = J ±L , ^ , g, d , )
de la pression et de la température initiale, de la fraction de mélange et du taux d’EGR :
#$# #$# :;<
(1.76)
injection en exprimant la vitesse de réaction pour chaque espèce par l’indice i de l’injection J # .
Dulbecco et al. [68] ont complété cette modélisation en prenant notamment en compte la multi-
Ces modèles permettent de décrire les hétérogénéités afin de mieux modéliser les émissions
polluantes. L’utilisation de chimie détaillée est également intéressante, en particulier pour l’étude de
combustions non conventionnelles fortement pré mélangées..
- Modèles Multizones :
Cette approche consiste à découper la chambre de combustion en deux ou plusieurs zones ayant
chacune ses propres propriétés thermodynamiques (température, composition) la pression étant
supposée homogène dans le cylindre. Des bilans de masse et d’énergie sont réalisés dans chaque zone.
L’approche la plus répandue distingue la zone des gaz brûlés de celle des gaz frais (air +carburant)
[67] [82] [83] [84] [85] [86] [24] [87].
D’autres modèles utilisent quelques zones (3 à 6 en général) correspondant à une discrétisation
qualitative de la chambre. Asay et al. [84] proposent par exemple un modèle de 5 zones distinguant les
différentes phases de combustion (cf. Figure 38) : Le carburant et l’air non vaporisés, les réactifs
vaporisés, les produits de pré-mélange, la couche de la flamme adiabatique et les gaz environnants.
Une discrétisation systématique du spray est également possible, on parle alors de modèle N-zones ou
quasi-dimensionnels [88] [73] [72] [89] [90] [91]..
65
Chapitre I : Etat de l’art : synthèse bibliographique
- une description plus détaillée doit permettre une plus grande prédictibilité (notamment lorsqu’on
s’éloigne des points d’apprentissage du modèle)
- En revanche la précision n’est pas forcément meilleure. La calibration d’un modèle complexe peut
être plus délicate : il est par exemple très difficile de calibrer un sous modèle de spray en l’absence
d’expérience relative au spray (comme l’évolution temporelle de la pénétration vapeur). Or ce type
d’expérience n’est généralement pas disponible dans un contexte industriel lors de la mise au point
d’un moteur. Il est important de souligner ici que les méthodes de calibration des modèles ne sont pas
forcément détaillées dans toutes les publications. De même l’étendue de la validation des modèles est
très variable, parfois sommaire (seulement quelques points de fonctionnement) et concerne rarement
plus d’un moteur.
- naturellement le temps de calcul va également de pair avec la complexité des modèles
I.3.2.5.1- Modèles de BC
A- Modèles Physiques
Comme déjà mentionné dans le chapitre I, différents mécanismes ont été utilisés dans la littérature
pour décrire le processus de formation des BC .. La voie thermique est privilégiée dans la majorité des
travaux de recherche étant la source principale pour la production du BC. Elle est essentiellement
représentée par les réactions du mécanisme de Zeldovich éventuellement étendu et super-étendu [30]
[32] [34] [38] [39] [92].
[93] [94] [88] [75] [73] [95] [79] [83] [96] [97] [72] [24] [87] [98] [99] [90] [91] [100] [101]..Il est
alors nécessaire d’évaluer les concentrations d’O2 et de N2à l’équilibre ainsi qu’une température
caractéristique.
- Concentrations d’Equilibre
Pour calculer les concentrations des composants chimiques qui existent sous les conditions
d’équilibre, un bilan d’espèces peut être établi en décrivant les processus de dissociation et de
recombinaison qui ont lieu dans le cylindre [88] [94] [93]. Selon les modèles de la littérature, 11
éléments sont :
1
- ↔-
2 {
(1.77)
1
C ↔C
2 {
(1.78)
1
B ↔B
2 {
(1.79)
-{ + C{ ↔ -{ C + C (1.82)
1
-{ C + B{ ↔ -{ + BC
2
(1.83)
Un système de 11 équations peut être par conséquent établi puis résolu afin d’obtenir les
une formule de combustible, par ex : - C! B" [93], -I [94] [71] ou -. C" [100] (le carburant
concentrations d’équilibre de chacune des espèces mentionnées. Dans chaque méthode de calcul, il y
Diesel commercial pouvant être approché par une formule moyenne Ô -}‡.‚). Les concentrations
66
Chapitre I : Etat de l’art : synthèse bibliographique
initiales des produits de la combustion nécessaires aux itérations sont calculées à partir de l’équation
de combustion complète. Oppenauer et al. [100] proposent une méthode de calcul plus simple pour ce
d’abord, il faut rappeler que la grande partie des émissions de BC se forme sous des températures très
De nombreuses méthodes ont été utilisées pour le calcul de la température de formation des BC . Tout
élevées et dans des régions légèrement pauvres du cylindre. La température adiabatique de la flamme a
été par conséquent utilisée dans plusieurs modèles semi-empiriques [94] [76] [71] [102] [103]. De tels
modèles décrivent la chambre de combustion à l’aide de deux zones physiques distinctes : Une zone
pour les gaz brûlés et une autre pour les gaz frais. Ericson et al. [95] et Andersson et al. [79] prennent
en compte l’effet des pertes de chaleur dues aux gaz frais imbrûlés environnants. Tandis que Hegarty
et al. [104] proposent une température combinée en fonction de la température cylindre moyennée
spatialement ^"I , la température adiabatique de la flamme ^ 9
chaleur estimé HRR :
et le taux de dégagement de
}
^ ?@A = ^"I + üˆ^ 9 − ^"I ’-YY }{ ý
(1.84)
ˆ1.2 + ±s − 1.2)>) ’
L’expression de donnée par Heider est la suivante [105]:
= :E .
2.2sFF
(1.86)
:E :Le
: 0.15 ¬ÕKW 4 ´ÕK¬ ¬Z´ Z] 0.07 ¬ÕKW 2 ´ÕK¬ ¬Z´.
paramètre spécifique du moteur, à calibrer pour chaque moteur
(λ++ = 1). Oppenauer et al. [105] tentent d’améliorer ce modèle en proposant une corrélation prenant
Dans le cas du swirl, le mélange air/carburant au front de la flamme est supposée stœchiométrique
,#-Š• ,
1.2 + ±s − 1.2)
en compte les taux d’EGR et le niveau de swirl:
Q .² }••
³1 þ .²}2 #-Š• ³
}••
= r} . + ÕW:;<
2.2
(1.87)
d:;< d:;< {
ÕW:;< ±d:;< ) = r‡ . ¡ + r‚ . ¡
100 100
(1.88)
67
Chapitre I : Etat de l’art : synthèse bibliographique
/. , la
Quérel [19] propose de remplacer par la température maximale de la zone des gaz brûlésT
nouvelle expression de la température devient :
Avec :
∆ 2Y = 2Y − 2Y EE ±BEE , EE )
(1.91)
La même approche a été présentée par Finesso et al. [107] et Savva et al. [108] en appliquant le
mécanisme de Zeldovich. La différence entre leurs modèles et les autres est qu’ils modélisent chaque
élément de carburant injecté avec son parcours individuel dans la chambre de combustion. La
température adiabatique instantanée a été aussi utilisée dans d’autres modèles semi-empiriques comme
exponentielle similaire pour le taux de formation des NO3 tout en introduisant des constantes de
ceux développés par Arrègle et al. [76] et Guardiola et al. [109] qui proposent une équation
calibration 3} , 3{ , 3ƒ :
B Q 3ƒ
7?@ = 4 -YY±q). 3} . ¡ . Zc¬ „ … . ”q
2000 ^ 9 ±q)
(1.93)
La température adiabatique T õ dans leur modèle prend en compte la dissociation, et est estimée par
des formules semi-empiriques :
5@Q
Avec :
^?U = ^ + 37630.5. ¡
3.48. n
(1.95)
}2!
L"I MNO !
^ = ^"I MNO . „ …
L"I
(1.96)
Ces types de modélisation conduisent à une bonne estimation des émissions de BC à l’échappement
avec une forte dépendance aux paramètres d’entrée dont les erreurs d’estimation expérimentale
affectent la valeur finale de BC estimée.
B- Modèles Semi-Physiques
Une autre approche pour modéliser les émissions de BC est de développer des corrélations ou des
cartographies basées sur des résultats expérimentaux. Wang et al. [110] partent d’une modélisation
68
Chapitre I : Etat de l’art : synthèse bibliographique
BC = • + } c} + { c{ + ƒ cƒ + ‡ c‡ + ‚ c‚ + 6 7#P c# cP (1.97)
#,P
Lorsque la pression cylindre est disponible, les 5 paramètres retenus sont : la température de la
combustion, le taux d’EGR, la richesse, le CA50 et la vitesse de rotation.
La température des gaz brulés et le régime de rotation peuvent être remplacés par la température
d’admission avec la pression d’injection :
En l’absence d’information sur la pression cylindre, 3 autres paramètres sont utilisé en remplacement:
le débit d’injection du carburant, le début de la combustion et la température du collecteur
d’admission :
Les résultats satisfaisants sont obtenus dans les deux cas. Pour les régimes transitoires Wang et al.
[110] ajoutent une correction en fonction des changements brusques du taux d’EGR.
combustion). Ils proposent une relation polynomiale entre les émissions de BC et la concentration
dans ce modèle est estimée en ajoutant une valeur moyenne sur la température de compression (sans
d’oxygène considérée comme un indicateur de la charge du moteur. Cette dépendance est aussi
soulignée par Singh et al. [112] à l’aide d’une relation logarithmique. En outre, ils montrent l’effet de
la pression d’injection du carburant, du début d’injection et de la masse de carburant injecté.
b- Modèle Polynomial :
Ce modèle est basé sur des formules empiriques permettant par conséquent de couvrir une
plage de fonctionnement plus importante. Laurent et al. [87] proposent une corrélation en
fonction de 3 paramètres d’entrées : la vitesse de rotation N (tr/min), le couple moteur C, et le
taux d’EGR.
BC ±¬¬7) = t ∗ ∗ ±1 − d:;< )ƒ
B
(1.101)
α: Paramètre de recalage
ils adoptent les modèles statistiques similaires à ceux adaptés par Wang et al. [110] mais dans
ce cas de forme exponentielle et non polynomiale.
Ces modèles sont basés sur un large nombre de paramètres d’entrée (8 paramètres du contrôle
moteur et 10 concernant la pression cylindre). Le nombre des paramètres de la pression peut
être réduit à 4 par un choix mathématique. Enfin grâce à un choix physique, ils proposent une
69
Chapitre I : Etat de l’art : synthèse bibliographique
stratégies de contrôle et pour le diagnostic embarqués (OBD) comme des estimateurs virtuels de BC .
De tels modèles pourraient être « embarqués » dans les calculateurs pour être utilisés dans des
C- Modèles Moyens
Contrairement aux modèles dynamiques résolus à l’échelle du cycle (HF : Haute Fréquence), les
modèles moyens fournissent une estimation moyennée sur un cycle moteur. Partant des conditions de
fonctionnement moteur comme les conditions d’admission et d’échappement, le régime moteur et la
masse de carburant injecté, le modèle moyen sert à décrire plusieurs paramètres comme le débit
massique dans le cylindre et à l’échappement, le couple indiqué, les pertes de chaleur [113] …etc. Ce
type de modèle est gouverné par des équations statiques comme les bilans de masse et d’énergie, et
des cartographies qui modélisent quelques paramètres essentiels comme le rendement volumétrique, le
rendement thermique indiqué et les pertes thermiques à l’échappement.
L’utilisation des modèles moyens est actuellement très recommandée pour l’estimation des polluants
dans un modèle orienté contrôle. En effet, ils offrent un bon compromis entre une description
« physique » nécessaire pour la prédictibilité et la facilité d’identification d’une part, et une structure
mathématique simple qui réduit le temps de calcul d’autre part. Un modèle moyen de polluant consiste
donc à construire des relations algébriques entre les polluants et les variables d’admission et de
combustion discrètes ou moyennées.
De nombreux modèles moyens ont été récemment développés pour estimer le BC à la sortie du
moteur. Lee et al. [22] et Park et al. [114] ont développé un modèle qui consiste à moyenner la vitesse
simplifiée de la formation de NO selon le mécanisme de Zeldovich étendu :
La concentration du NO finale est estimée par le produit de la vitesse moyenne avec la durée de
formation de NO :
”•BCž ”•BCž
•BCž = „ … . ”] = „ … ∗ ±”KW ]8ÕH)
”] ”]
(1.103)
(
première. Pour ce faire, ils cherchent la température maximale des gaz brûlés ^ .
Lee et al. [22] [114] remplacent la vitesse moyenne par la vitesse maximale qui est proportionnelle à la
:
”BC 69090
¡ = Zc¬ „− … •C{ ž}/{ •B{ ž
”] ^.
}/{ ^.
(1.104)
l2}
L l
^ =^ ¡
. 9
LE@>
(1.105)
^ = %±•C{ ž, ^E@> )
Avec :
9
(1.106)
Ils calculent la température adiabatique suivant une formule de second ordre en fonction de la
concentration d’oxygène et la température du début de combustion.
70
Chapitre I : Etat de l’art : synthèse bibliographique
Ils se servent de la richesse pour calculer les concentrations de l’oxygène et du diazote. La durée de
formation de NO est estimée grâce à l’analyse de CFD : 20% jusqu’à 90% de NO se forment entre
CA40 et CA80, A étant un paramètre de calibration..
Un autre modèle plus simple proposé par Schmitt et al. [115] consiste à estimer les émissions de BC
en fonction du régime de rotation, de la température cylindre moyenne (moyenne spatiale) maximale
et du taux de BGR sous la forme suivante :
B
BC = t. 3. ¡ . -. ^ ;.e;<
B
(1.107)
t, 3, r, -, 2 ∶ Coefficients de calibration
Un autre type de modèles moyens est largement adopté pour les stratégies du contrôle moteur. Il
consiste à construire, en premier lieu, un modèle nominal de polluant normalement en fonction du
régime et de la charge d’un point de fonctionnement stable. Puis y appliquer une correction qui prend
Benz et al. [116] proposent une correction du BC résultant des déviations du phasage de la
en compte les déviations des paramètres de contrôle durant le régime transitoire. Dans leurs travaux,
combustion (représenté ici par CA50), de la fraction d’air à l’admission et de la masse enfermée par
rapport à leurs valeurs nominales. Quérel et al. [19] [99] remplacent dans leur modèle le phasage de la
combustion et la fraction d’air par la température maximale des gaz brûlés, ajoutant par conséquent au
modèle plus de physique.
A- Modélisation Phénoménologique
- Modèle d’Hiroyasu
L’analyse phénoménologique des émissions de suie [15] [117] montre clairement la compétition entre
deux mécanismes distincts : la formation et l’oxydation. La valeur de suie finale obtenue à
l’échappement est par conséquent la différence entre la suie formée et la suie oxydée t. Hiroyasu et al.
et 9 $# :
9 ;# 9
[118] ont été parmi les premiers à décrire ces phénomènes à travers des équations semi-empiriques
9
pour les taux de formation et d’oxydation exprimés respectivement par
”7
= . 7" .( . L
•.‚
. exp ±− )
”] Y^
(1.108)
”7
= . 7 . 5@Q . L }.Ô
. exp ±− )
”] Y^
(1.109)
Avec :
La pression cylindre affecte les deux processus. La phase de formation est reliée à la masse de
carburant vaporisé et à la température du cœur riche du spray [119]. Le taux d’oxydation est gouverné
par la concentration d’oxygène et la température dans la zone du front de flamme.
Ce modèle a été largement adopté dans la littérature [71] [94] [120] [121] [75] [96] [122] [89] [123]
[124] [125], mais avec quelques modifications comme celles effectuées par Bayer et al. [126] et
Westlund et al. [127] qui prennent en compte l’effet de la richesse locale sur le taux de formation de
suie. Duran et al. [128] distinguent deux sources de particules : les hydrocarbures aromatiques et
aliphatiques. Boulouchos et al. [129] attribuent le processus de formation à la phase de combustion de
diffusion et négligent ce phénomène durant la combustion de pré-mélange. Kirchen et al. [129]
adoptent le même modèle:
71
Chapitre I : Etat de l’art : synthèse bibliographique
Ils ajoutent une fonction dépendante de la température et de la richesse pour la formation de suie :
0.75 − s ˆ^ , − j• ’
}.‚ {
% ˆ^ , , s ’ = „ … . Zc¬ <− =
0.65 2. i•{
(1.111)
Westlund et al. [127] [92], distinguent deux expressions en fonction du niveau température:
”•´ÕÕ]ž
= . òn − 2. L•.‚ . 34 . • W7KW H]ž
”]
(1.114)
42}Ô•• þ
34 = >Z {ƒ••2}Ô•• ? ¬ÕKW ^ Ò 1800 3
2†² ³ (1.116)
Ce modèle suppose la formation de suie pour une richesse locale supérieure à 2..
”B ,
= B! 0} ±^)• { -{ ž
”]
(1.117)
{}}••
Avec :
0} ±^) = } . n. ¬
•.‚
. Z 2 4
(1.118)
Pour décrire l’oxydation, Boulouchos introduit un temps caractéristique de mélange τAB å lié au taux
de dégagement de chaleur : [90] [129]
”7 1 L@Q þ 4 $ $
= . . ±7 )$Q . „ … . Z 4#$
”] p"T L@Q ,
(1.119)
Un autre modèle d’oxydation est proposé par Tan et al. [130] et Westlund et al. [131] et utilisé par
Dohoy et al. [119]. C’est celui de NSC (The Nagle and Strickland-Constable Model) basé sur deux
x@ est la fraction de la surface couverte par les sites de type A, et ±1 − x@ ) la surface restante pour le
sites de réactions à la surface des particules : un site A plus réactif et un autre (B) qui l’est moins.
type B. Ces réactions d’oxydation sont les suivantes [130] [132] [131]:
l
# + C{ CD ´KW% Z Õc8”Z
(1.120)
l /lE
´KW% Z Õc8”Z CFFFD 2 C + #
(1.121)
lE
G # + C{ CD 2 C + #
(1.122)
lH
# CD G #
(1.123)
72
Chapitre I : Etat de l’art : synthèse bibliographique
”7 6G>
= 7 Y
”] k
(1.124)
L@Q
c! =
0
L@Q + ² 4 ³
0e
(1.126)
7640
0e = 4.46c10 Zc¬ −
2ƒ
¡
^
(1.128)
48800
0 4 = 1.51c10‚ Zc¬ − ¡
^
(1.129)
2060
0M = 21.3Zc¬ − ¡
^
(1.130)
Jung et al. [72] comparent les modèles de Hiroyasu et NSC : ils concluent à une légère surestimation
de celui de NSC pour le pic de suie produite mais observent des valeurs finales à l’échappement très
proches.
Les molécules d’oxygène ne sont pas les seuls responsables du processus d’oxydation : Westlund et
al. [131] et Hassaneen et al. [121] vérifient la contribution des molécules d’OH comme oxydants
essentiels dans les zones riches, tandis que l’oxydation par l’oxygène est prédominante pour des
conditions pauvres.
Pour Tan et al. [130] [133], les particules comportent aussi la formation de SOF. Le taux de formation
des particules devient donc :
”7 D ”7 # ”7E@F
= +
”] ”] ”]
(1.131)
Le SOF représente la partie lourde solide des hydrocarbures imbrûlés HC, absorbée par les particules
de suie, d’où la corrélation suivante :
”7E@F ”7=>
= G. 0 ÉÈ . 0$ Q .
”] ”]
(1.132)
^É B
0É= Z] 0? =
^É B
(1.133)
73
Chapitre I : Etat de l’art : synthèse bibliographique
D’autres auteurs jugent l’approche en deux étapes d’Hiroyasu trop simplifié surtout dans les cas d’une
combustion non-conventionnelle. Ils proposent des modèles phénoménologiques à étapes multiples
connus sous le nom MSP ou « multi-step phenomenological models ». Ils distinguent les réactions
principales des différentes étapes qui contribuent à la formation des particules solides [134] [135]
[136]. La Figure 39 montre l’évolution des hydrocarbures liquides ou vapeurs et leur transformation en
particules de suie solides suivant cinq étapes communément identifiées : la pyrolyse, la nucléation, la
coalescence, le grossissement de surface et l’agglomération.
Figure 39 : Le schéma des étapes de formation de suie depuis la phase gazeuse jusqu’à l’apparition des particules solides
Dans de tels modèles, chaque étape est décrite par des réactions cinétiques établies en se basant sur les
caractéristiques géométriques et physiques des particules produites. Ces processus sont parfois
résumés par deux réactions prépondérantes pour les raisons de temps de calcul : la première décrit la
création des particules et l’autre le grossissement de leur surfaces [137] [135]. Ces modèles permettent
de modéliser les tailles et la densité des particules formées dans le cylindre.
B- Modélisation Semi-Empirique
Plusieurs études récentes ont proposé de remplacer ces modèles phénoménologiques trop compliqués
par des modèles empiriques et semi-empiriques qui se caractérisent par un temps de calcul beaucoup
plus réduit qui les rend compatibles avec des applications en temps réel pour les systèmes de contrôle
moteur. Finesso et al. [138] et Lequien et al. [139] ont développé des corrélations empiriques qui
évaluent les effets de différents paramètres physiques sur les émissions de suie comme la pression
d’injection du carburant, la richesse, la concentration d’oxygène, la température des gaz brûlés et les
phases critiques de combustion :
Plusieurs études prouvent que dans le cas des multi-injections, la formation de suie est liée
principalement à la combustion de l’injection principale. Pour cela, ils prennent en compte la richesse
du spray de l’injection principale au début de la combustion :
2s
nE@>, =
c
#$
w1 + 16 ² E@>,1 #$
³−1
(1.136)
c
l’injection principale S"T ± C/ #$ )qui prend en compte l’interaction des gaz brûlés produits de la
Pour le processus de formation, ils identifient aussi le taux de dégagement de chaleur à la fin de
combustion pilote avec le carburant injecté durant l’injection principale. Pour eux ces gaz brûlés ont
un impact non négligeable sur l’état thermodynamique local ainsi que sur les conditions chimiques
durant l’injection principale.
74
Chapitre I : Etat de l’art : synthèse bibliographique
∆G'G†•2O‚(différence entre CA70 et CA95) pour représenter le taux de combustion qui se déroule
En ce qui concerne le phénomène d’oxydation, ils définissent un nouveau paramètre de combustion
après un angle de 380 °vil et qui peut affecter le processus d’oxydation de suie. Le CA95 est d’après
Finesso [138] plus représentatif que le CA50 adopté normalement pour caractériser la phase de fin
combustion.
D’autres paramètres sont pris en compte, notamment la pression d’injection qui affecte la turbulence
température des gaz brûlés au CA95 calculée suivant le modèle 3 zones déjà décrit précédemment
dans la chambre de combustion, la concentration d’oxygène locale et la richesse globale, la
De même, Cebi et al. [140] ont développé des estimateurs de particules sous la forme des modèles de
formules exponentielles. Dans leur étude, ils mettent en exergue l’effet du taux de conversion
d’énergie durant la combustion de diffusion.
Barro et al. [141] proposent également une modélisation dynamique à haute fréquence à partir d’une
description physique de l’évolution de suie dans le cylindre. Ce modèle utilise comme données
d’entrée les caractéristiques de la combustion calculées à partir de la pression cylindre.
Ces travaux visent généralement à appliquer les modèles créés dans les stratégies de contrôle moteur
comme des estimateurs virtuels de suie.
Les modèles CFD bien que très intéressants et performants pour des études amont (conception,
compréhension) ne répondent clairement pas aux objectifs de cette étude, à cause de leur complexité et
de leur temps de calcul rédhibitoire. Il faut donc s’orienter vers une approche simplifiée, de type zéro
dimensionnelle, avec une description à l’échelle du cycle (dite dynamique HF) ou moyennée sur le
cycle (dite non dynamique) (Tableau 5). Naturellement l’approche HF est plus exigeante en temps de
calcul, notamment à cause d’un pas de temps forcément réduit (de l’ordre du degré vilebrequin). En
revanche, pour ce qui concerne la combustion, l’approche HF permet une description détaillée du
dégagement de chaleur, qui prend en compte les variations de paramètres influant sur les émissions,
comme les paramètres d’injection (avance, pression, multi injection). Elle permet aussi d’accéder aux
évolutions de la température moyenne au cours du cycle ainsi qu’à des températures plus locales
comme la température adiabatique de flamme ou la température des gaz brûlés. Les modèles moyens
conduisent nécessairement à des descriptions plus empiriques et moins phénoménologiques puisque
l’échelle de temps retenue conduit à considérer les phénomènes, notamment la combustion, de manière
globalisée. Cependant, pour la formation des polluants l’approche HF est plus discutable pour
plusieurs raisons :
- Expérimentalement, si l’on excepte des manipulations très complexes avec un accès optique
ou un prélèvement rapide dans le cylindre, les valeurs instantanées des émissions ne sont pas
disponibles, seules les concentrations à l’échappement étant mesurées.
- Ce dernier point rend très délicate la calibration d’un modèle d’émissions HF, puisque les
paramètres des modèles n’influent pas seulement sur les valeurs finales mais aussi sur les
évolutions au cours du cycle dont on ne connait, dans le meilleur des cas, que la forme
générale.
- Du point de vue applicatif, seules les valeurs finales des émissions sont importantes
- Enfin, l’utilisation de mécanismes relativement détaillés pour l’évaluation des émissions peut
considérablement augmenter le temps de calcul
C’est pourquoi le choix est fait de combiner une approche HF pour la description de la combustion et
une modélisation moyenne (semi-physique) des émissions. Ainsi les émissions ne sont pas évaluées en
fonction des paramètres moteurs de mise au point, mais en fonction de grandeurs physiques
(températures, richesse) elles-mêmes évaluées via l’approche HF.
75
Chapitre I : Etat de l’art : synthèse bibliographique
76
La synthèse bibliographique qui constitue le premier chapitre de ce mémoire a permis d’établir
plusieurs bases nécessaires aux développements ultérieurs :
77
78
Chapitre II : Prérequis expérimentaux et
numériques
La première partie présente les deux moteurs utilisés comme support à cette étude. Elle décrit
également les essais réalisés, certains dans un contexte industriel, d’autres plus académiques et
spécifiques. L’accent est mis sur les incertitudes de mesure et le post-traitement des données effectué
avant leur utilisation.
79
Chapitre II : Prérequis expérimentaux et numériques
II.1.1.1- Moteur 1
Le premier moteur utilisé pour cette étude est le moteur Renault R9M gen1, appelé par la suite Moteur
1. Les essais sur ce moteur ont été effectués par Renault, non spécifiquement pour cette étude mais ils
correspondent à des essais de type industriels, tels qu’ils sont pratiqués sur l’ensemble des moteurs mis
au point. Cette partie est donc juste consacrée à décrire le moteur puis à post-traiter les données
expérimentales avant de les utiliser pour le développement et la validation des modèles.
Le moteur 1 est un moteur Diesel à injection directe certifié pour la norme européenne Euro 5. Ses
caractéristiques principales sont présentées dans le , ci-dessous :
EGR HP et BP
Nombre de cylindres 4
Architecture En ligne
Alésage 80 mm
Course 79.5 mm
Les données expérimentales disponibles sont constituées de 9 « champs ISO » de plus de 1400 points
de fonctionnement avec des tests de variations mono-paramétrées. Chaque « champ ISO » correspond
au balayage en régime-charge du domaine d’exploitation du moteur avec mesure de l’ensemble des
paramètres moteur classiques comme : la pression et la température en différents points de la boucle
d’air, la vitesse de rotation, le couple, la consommation du carburant, les concentrations à
l’échappement des émissions réglementées, les paramètres d’injection et de gestion du moteur…Ces
points de fonctionnement incluent différentes conditions moteur: avec ou sans EGR, mono et multi-
injections, moteur chaud et moteur froid et différentes variantes de mise au point, notamment en
fonction du rapport de boite de vitesse utilisé (BV1 à BV6) :
80
Chapitre II : Prérequis expérimentaux et numériques
Outre les mesures déjà mentionnées (dites « basse fréquence ») des informations à l’échelle du cycle
moteur (dites « haute fréquence ») sont disponibles : pression cylindre et pressions à l’admission et à
l’échappement. Une analyse de ces données est nécessaire pour identifier les mesures défectueuses et
proposer d’éventuelles corrections.
81
Chapitre II : Prérequis expérimentaux et numériques
Figure 40 : Schéma descriptif de la structure du collecteur d’admission avec double plenum du Moteur 1
II.1.1.2- Moteur 2
Un deuxième moteur a été utilisé pour cette thèse, en particulier pour valider les modèles développés
et démontrer leur applicabilité sur plusieurs moteurs Diesel de types et architectures variables. Ce
moteur a également servi à améliorer les modèles construits à travers des études expérimentales
spécifiques.
Le moteur 2 est un autre moteur Diesel automobile, de type Renault K9Kgen6, de 1.5 l. de cylindrée,
qui respecte la norme antipollution Euro 5+. Le moteur a été installé et testé spécifiquement dans le
cadre de cette thèse, sur un banc d’essais à l’Ecole Centrale de Nantes (Figure 41).
82
Chapitre II : Prérequis expérimentaux et numériques
EGR HP et BP
Nombre de cylindres 4
Architecture En ligne
Alésage 76 mm
Course 80.5 mm
Les éléments essentiels pour le contrôle et l’acquisition au banc d’essais sont les suivants :
83
Chapitre II : Prérequis expérimentaux et numériques
BC
O2 %
ppm
AVL 415S fumées FSN
AVL 733 Consommation carburant kg/h
Température ambiante,
Température d’admission,
°C
Température d’échappement,
Labview Températures d’eau et d’huile,
Température des réchauffeurs…
Pression ambiante,
Pression d’admission,
Boîtier NI Pression d’échappement,
MAX mbar
Pression d’eau et d’huile,
Contre pression
d’échappement…
Régime moteur tr/min
Couple moteur Nm
Position pédale accélérateur %
Recopie Position de la GV V
Régime turbocompresseur tr/min
84
Chapitre II : Prérequis expérimentaux et numériques
Pression HMAB2X5UU7
SENSORTECHNICS 0 … 2,5 bars +/-1,5% PE
"lente" H5
Pression
SENSORTECHNICS CTE8010GY7 0 … 10 bars +/-1,5% PE
"lente"
Pression
SENSORTECHNICS HCLA12X5DU 0 ... 12,5 mb rel +/-1,5% PE
"lente"
Pression HMAM100UU7
SENSORTECHNICS 0 ... 100 mb rel +/-1,5% PE
"lente" H5
Consommatio
AVL 733S 0 … 160 kg.h-1 +/-0,16 kg.h-1
n de carburant
Picoturn MNR 0 … 400 000
Régime turbo ACAM +/- 200 tr.min-1
933 tr.min-1
Régime T 0 … 10000 3600 ppt (0,1°
BAUMER IVO
moteur GI355.070R031 tr.min-1 vilebrequin)
La précision des capteurs sera notamment utilisée pour l’étude de la sensibilité des modèles de
polluants aux données d’entrée expérimentales.
Ce modèle a été développé à partir des résultats expérimentaux obtenus sur le moteur1. Les données
expérimentales de ce moteur ne contiennent pas directement les valeurs de suies produites à
l’échappement, mais des mesures de fumées qui sont représentées par un indice de fumées exprimée
en FSN. Une corrélation spécifique fournie par les constructeurs automobiles (Renault), est ensuite
utilisée afin de calculer le débit massique des émissions de suie dans les gaz d’échappement :
7) 0) Zc¬±0.12 ∗ '[B )
[K8Z R S = S # ü ý ∗ 18 ∗ '[B ∗
´ ´ 1.1
(2.1)
conversion est nécessaire pour estimer la masse de suie expérimentale en 7) par cylindre par cycle
Cette corrélation a été spécifiquement établie pour les moteurs Diesel à injection directe. En outre, une
85
Chapitre II : Prérequis expérimentaux et numériques
Un premier traitement concerne le contrôle des consignes de masse de carburant à injecter grâce à une
comparaison avec les mesures de la balance à carburant. En effet, la masse réellement injectée n’est
jamais parfaitement égale à la consigne. Dans ce cas, une correction des consignes doit être appliquée
pour correspondre à la mesure de la balance (supposée exacte). Les Figure 42.a et 42.c montrent les
comparaisons entre consigne et mesure pour les moteurs 1 et 2.
70 70
M asse Injectée C onsigne [m g/cp]
Ecart < 5%
50 50
40 40
30 30
20 20
10
10
0
0 10 20 30 40 50 60 70 0
Balance Carburant [mg/cp] 0 10 20 30 40 50 60 70
Balance Carburant [mg/cp]
(a)
(b)
Moteur 1
60 60
M a s s e In je c té e C o n s ig n e [m g /c p ]
Ecart < 5%
50 Ecart > 5% 50
40 40
30 30
20 20
10 10
0
0 10 20 30 40 50 60 0
0 10 20 30 40 50 60
Balance Carburant [mg/cp] Balance Carburant [mg/cp]
(c) (d)
Moteur 2
Figure 42 : Comparaison entre la consigne et la mesure balance du carburant pour tous les champs Iso
Cette comparaison met en évidence 415 points « défectueux » (en rouge) pour le moteur 1 et 50 points
pour le moteur 2 avec une erreur absolue supérieure à 5%. Une correction relative est appliquée aux
masses injectées (pour tous les points) en distribuant l’erreur totale sur les différentes injections de
7
carburant de la façon suivante :
7#," = . 7#
,. $"
∑l 7l
(2.2)
Où :
86
Chapitre II : Prérequis expérimentaux et numériques
7#,"
7# est la masse injectée pendant la phase i (pilote 1, pilote 2, main et after)
est la masse corrigée injectée pendant la phase i (pilote 1, pilote 2, main et after)
Ces masses corrigées (cf. figures 42.b et 42.d) seront utilisées pour la suite de l’étude.
d’admission spécifique (Voir II.1.1.1- Moteur 1). En effet, une constante 0 a été définie pour prendre
Pour le moteur 1, le calcul du rendement n’est pas aussi simple à cause de son architecture
en compte les deux plenums d’admission. La masse volumique de l’air admis est donc donnée sous la
forme suivante :
L9 L9 1
k = = û .
9
W. ^ 9 W. ^ 9 < #
1+0
L9 0
+ û . ; 0 = 2
(2.4)
W. ^ 9 EV# 0 + 1
Dans le cas sans EGR et sans recours au volet de swirl, les pressions et températures dans les deux
plénums sont égales ce qui inhibe l'hypothèse de répartition 1 tiers / 2 tiers. Dans le cas avec EGR et
avec utilisation du volet de swirl, il est supposé que pour une unité de masse de gaz admise depuis le
plénum remplissage, deux unités de masse de gaz sont admises depuis le plénum swirl.
Les Figure 43a, 43c, 43e montrent les résultats du calcul du rendement volumétrique sur les champs
ISO du moteur 1, qui possèdent des points avec de l’EGR haute pression. Les valeurs obtenues en
présence d’EGR sont clairement en dehors des valeurs habituelles et surtout ne sont pas en
concordance avec celles obtenues sans EGR. Par contre, les Figure 43b, 43d et 43f représentent les
taux d’EGR mesurés (en couleur bleue) qui semblent anormaux avec des valeurs très élevées. Ce qui
taux d’EGR. L’évaluation expérimentale du taux d’EGR est basée sur les mesures du CO{ à
explique l’obtention des rendements élevés qui sont, d’après la formule ci-dessus, proportionnels aux
aussi introduits dans le plenum de Swirl. Par conséquent, la concentration du C{ à l’admission ainsi
la configuration du moteur R9M montre que les gaz d’échappement ré-circulés en haute pression sont
que le taux d’EGR HP sont surestimés. Pour résoudre ce problème, on choisit de recalculer les taux
d’EGR à partir du rendement volumétrique. Deux méthodes ont été testées pour modéliser le
rendement volumétrique pour les points avec EGR HP : la première est la méthode de régression qui
consiste à faire un modèle de rendement à partir des points sans EGR, tandis que la deuxième, plus
simple, consiste à fixer un rendement de 0,9 puis calculer les taux d’EGR approximatifs. Les Figure
43b, 43d et 43f montrent une grande similarité entre les deux méthodes (sauf pour quelques points)
mais un écart important par rapport aux taux d’EGR non corrigés. Cette correction est probablement
la plus importante parce qu’elle touche un paramètre essentiel qui affecte tout le fonctionnement
moteur : performance, polluants, rendement…
87
Chapitre II : Prérequis expérimentaux et numériques
4 150
E G R m e s u ré [% ]
AVEC EGR HP
3.5 SANS EGR 100
3 50
2.5 0
0 50 100 150 200 250
η vol
N° Point
2 60
E G R c o rrig é [% ]
η
volreg
1.5 40
η =0.9
vol
1 20
0.5 0
0 50 100 150 200 250 0 50 100 150 200 250
N° Point N° Point
(a) (b)
E G R m e su ré [% ]
3.5 100
AVEC EGR HP
3 SANS EGR
50
2.5
0
0 50 100 150 200 250 300 350
η vo l
2 N° Point
E G R c o rrig é [% ]
40
1.5 η
volreg
20 η =0.9
vol
1
0.5 0
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
N° Point N° Point
(c) (d)
3 100
E G R m e s u ré [% ]
AVEC EGR HP
SANS EGR
2.5 50
2 0
0 50 100 150 200 250 300 350
η vol
N° Point
40
E G R c o rrig é [% ]
1.5
η
volreg
η =0.9
1 20 vol
0.5 0
0 50 100 150 200 250 300 350 0 50 100 150 200 250 300 350
N° Point N° Point
(e) (f)
Figure 43 : Rendements volumétriques des champs ISO sans et avec EGR à haute pression et correction des taux d’EGR
mesurés (Moteur 1)
88
Chapitre II : Prérequis expérimentaux et numériques
La méthode de régression a été finalement choisie. Les résultats sont exposés sur la Figure 44. On
distingue toujours les rendements mesurés pour les points sans EGR (en couleur bleue) et avec EGR
HP (en couleur rouge), ainsi que, pour ces derniers, les rendements modélisés (en couleur verte).
4 3.5 3
Sans EGR Sans EGR Sans EGR
3.5 Avec EGR Avec EGR Avec EGR
3
Régression Regression 2.5 Regression
3
2.5
2.5 2
η v o l [-]
η v o l [-]
η v o l [-]
2
2 1.5
1.5
1.5
1
1 1
Le test du rendement volumétrique sur le moteur 2 ne fait apparaître aucun problème. Comme le
montre la Figure 45, le rendement volumétrique est toujours en dessous de 1, même dans le cas des
points avec EGR (en rouge). Ceci était prévu, du fait de l’absence de double plenum de swirl et par
conséquence du problème de calcul des taux d’EGR.
0.95
Avec EGR
Sans EGR
0.9
0.85
ηvol
0.8
0.75
0.7
0 50 100 150 200 250
N° Point
Figure 45 : Rendements volumétriques des champs ISO avec et sans EGR (Moteur 2)
Une dernière correction concerne les pressions rapides qui comportent 3 données : la pression cylindre
et la pression dans les collecteurs d’admission et d’échappement. Il est important pour l’identification
du modèle de combustion d’utiliser des pressions expérimentales fiables, car elles servent de critères
de validation et de valeurs initiales pour certaines variables de simulation.
Tout d’abord, une première vérification doit être réalisée concernant l’évaluation de la position du
point mort haut (PMH), notamment afin d‘obtenir des pressions moyennes indiquées (PMI) correctes.
Les pressions moyennes de frottement (PMF) obtenues par différence entre PMI et PME peuvent
constituer un indicateur d’erreur, lorsqu’elles atteignent des valeurs incohérentes, en particulier
lorsqu’elles sont négatives. Une méthode alternative pour l’évaluation des PMF est l’utilisation des
courbes de Willans [15]. Elle consiste à tracer les pressions moyennes effectives expérimentales pour
89
Chapitre II : Prérequis expérimentaux et numériques
chaque iso-régime en fonction de la consommation de carburant. Dans les Figure 46a et 46b, on
remarque la forme presque linéaire qui relie la PME à la masse injectée à partir de laquelle on peut
estimer la valeur de PMF si on prolonge ces droites pour qu’elles coupent l’axe des PME (Méthode de
Willans).
30 1000 tr/min
1250 tr/min
25 1500 tr/min
1750 tr/min
2000 tr/min
20 2250 tr/min
PME [bar]
2500 tr/min
2750 tr/min
15 3000 tr/min
3250 tr/min
3500 tr/min
10
3750 tr/min
4000 tr/min
5 4250 tr/min
4500 tr/min
4750 tr/min
0
0 5 10 15 20 25
Qcarb [kg/h]
(a) Moteur 1
25 1000 tr/min
1250 tr/min
1500 tr/min
20 1750 tr/min
2000 tr/min
2250 tr/min
2500 tr/min
PM E [bar]
15 2750 tr/min
3000 tr/min
3250 tr/min
10 3500 tr/min
3750 tr/min
4000 tr/min
5 4250 tr/min
4500 tr/min
0
0 5 10 15 20
Qcarb [kg/h]
(b) Moteur 2
Figure 46 : Courbes de Willans pour le calcule des PMF pour tous les champs ISO
Le recalage éventuel du PMH se fait ensuite en comparant pour chaque champ iso-régime les PMF
La Figure 47.a montre 4 essais de recalage pour le PMH pour le moteur 1 avec ∆q D= = •−1; 0; 1; 2ž.
obtenues à partir de la différence entre la PMI et la PME à celles obtenues par la méthode de Willans.
Chaque couleur correspond donc à un recalage parmi ces 4 choix. La ligne noire désigne les PMF de
Willans (utilisées comme valeurs de référence) qui passe entre les points rouges et les points verts, ce
qui implique que le recalage à appliquer se situe entre 0 et 1 degré vilebrequin.
90
Chapitre II : Prérequis expérimentaux et numériques
5 PMF willans
∆θ = -1 CAD
TDC
4 ∆θ = 0 CAD
TDC
3 ∆θ = 1 CAD
TDC
P M F [b a r]
∆θ = 2 CAD
2 TDC
-1
-2
1000 1500 2000 2500 3000 3500 4000 4500 5000
Regime [tr/min]
(a) Moteur 1
5 PMF w illans
∆θT DC = -2 CAD
4
∆θT DC = -1 CAD
3 ∆θT DC = 0 CAD
∆θT DC = 1 CAD
2
PMF [bar]
∆θT DC = 2 CAD
-1
-2
-3
500 1000 1500 2000 2500 3000 3500 4000 4500 5000
Régime de rotation [tr/min]
(b) Moteur 2
Figure 47 : Comparaison des PMF déterminées par calcul de PMI pour plusieurs déphasages PMH avec les PMF
déterminées par la méthode de Willans
L` $ = ]Z
Partant de la formule :
(2.6)
H = − 9±
9± ± ))
On obtient donc
± ))
[142] (2.7)
On cherche alors le déphasage qui permet d’avoir une variation du coefficient polytropique minimale
durant la phase de compression.
Sur les Figure 48.a et 48.b, on remarque l’effet du déphasage de l’angle PMH sur la variation du
coefficient polytropique au cours de la compression. Le déphasage de 1 degré vilebrequin est le
meilleur choix avec un écart minimal entre le minimum et le maximum du coefficient polytropique
(0.1263). Par conséquent, les pressions cylindres sont toutes décalées de 1 degré vilebrequin.
91
Chapitre II : Prérequis expérimentaux et numériques
La même procédure a été appliquée pour le moteur 2. Les résultats sont très semblables à ceux du
moteur 1comme les montrent la Figure 47.b pour les PMF de Willans, et les Figure 48.c et 48.d pour la
variation des coefficients polytropiques.
∆θ = 0°CA ∆θ = 1°CA
TDC TDC
Pourcentage des points testés entre les bornes : 25.93% Pourcentage des points testés entre les bornes : 36.51%
min(npoly) min(npoly)
1.5 1.5
n p o ly
n p o ly
max(npoly) max(npoly)
1 1
0 500 1000 1500 0 500 1000 1500
N° Point N° Point
Pourcentage des points testés avec ∆ npoly<0.1 : 6.80% Pourcentage des points testés avec ∆ npoly<0.1 : 11.84%
mean(∆ npoly) = 0.14445 mean(∆npoly) = 0.1263
0.5 0.5
∆ n p o ly
∆ n p o ly
0 0
0 500 1000 1500 0 500 1000 1500
N° Point N° Point
(a) (b)
Moteur 1
∆θTDC = 0°CA ∆θTDC = 1°CA
Pourcentage des points testés entre les bornes : 85.27% Pourcentage des points testés entre les bornes : 90.31%
1.4 1.4
n p o ly
np o ly
min(np oly )
1.3 min(np oly ) 1.3
max(np oly )
max(np oly ) 1.2
1.2 0 50 100 150 200 250
0 50 100 150 200 250
N° Point N° Point
Pourcentage des points testés avec ∆ npoly<0.08 : 94.19% Pourcentage des points testés avec ∆npoly<0.08 : 95.35%
mean(∆ npoly) = 0.035507 mean(∆ npoly) = 0.031022
∆ n p o ly
∆ n p o ly
0.1 0.1
0.05 0.05
0 0
0 50 100 150 200 250 0 50 100 150 200 250
N° Point N° Point
(c) (d)
Moteur 2
Figure 48 : Tracé des coefficients polytropiques minimum et maximum observés durant la compression et de leurs
différences correspondantes pour des déphasages de 0 et 1 degré vilebrequin
Par ailleurs, cette méthode a permis de détecter quelques points défectueux (mal mesurés) qui
possèdent des PMF très élevées. A défaut d'explication pertinente pour justifier ces comportements, il
a été convenu de ne pas les utiliser.
Il ne faut pas bien sûr ignorer l’effet du décalage de la pression absolue et du filtrage insuffisant de la
pression cylindre. En effet, les capteurs de pression cylindre renvoient une valeur de pression relative.
Il est donc nécessaire de recaler ces valeurs par rapport à une pression mesurée en valeur absolue, de la
manière la plus fiable possible.
Afin de déterminer ce recalage de pression, il y a deux méthodes distinctes [142]:
1- A partir des pressions « rapides » (HF) du collecteur d’admission et des pressions lentes
données dans les champs ISO,
92
Chapitre II : Prérequis expérimentaux et numériques
1ère méthode :
La 1ère méthode a été utilisée dans cette étude. Elle consiste à recaler la pression cylindre par rapport
à la pression d’admission « rapide » (ou HF). Mais on doit auparavant recaler les pressions rapides
elles-mêmes par rapport aux pressions « lentes » (ou BF).
Pour le moteur 1, la pression lente est calculée comme étant la moyenne des pressions lentes dans les
deux plenums d’admission : celui de remplissage et celui de swirl. Comme le montre la Figure 49, un
offset est appliqué sur la mesure rapide de façon à ce que la moyenne de la mesure rapide soit
identique à la mesure lente. Cette opération est réalisée pour chaque point de fonctionnement.
Avant Correction Après Correction
1.2 1.12
1.15 1.08
1.06
1.1 1.04
1.02
1.05 1
0.98
1 0.96
-400 -300 -200 -100 0 100 200 300 400 -400 -300 -200 -100 0 100 200 300 400
Degré Vilebrequin [°] Degré Vilebrequin [°]
Figure 49 : Décalage de la pression d’admission rapide par rapport à la pression lente
Ensuite, les courbes de pressions cylindres sont recalées sur la courbe de pression admission recalée.
Dans le cas de cette étude, le recalage est fait sur la moyenne des courbes de pression plénum "swirl"
et "remplissage". Le recalage est réalisé en fin d'admission (ici autour de 185°V avant point mort haut
combustion), à un instant où les pressions plénums et cylindre tendent à s'équilibrer (Figure 50).
P re s s io n [b a r]
1.4 1.4
1.2 1.2
1 1
-300 -200 -100 0 100 200 300 -300 -200 -100 0 100 200 300 400
Degré Vilebrequin [°] Degré Vilebrequin [°]
Figure 50 : Recalage des courbes de pression cylindre sur la courbe de pression d’admission
En observant les différentes corrections calculées pour tous les points de fonctionnement (cf. Figure
51.a), on détecte quelques points anormaux qui possèdent en effet des valeurs de PCOLR ou PCOLS
93
Chapitre II : Prérequis expérimentaux et numériques
(pressions dans les plenums d’admission) incohérentes. Ces points seront écartés pour le reste de
l’étude.
Correction Pcyl
1.5 450
Recalage sur P lente(θ=185°CA BTDC)
350
T [°K ]
0
300
-0.5
250
-1 Température d'admission
Température à IVC
-1.5 200
0 500 1000 1500 0 500 1000 1500
N° Point [-] N° Point
(a) (b)
Figure 51 : Correction de pression cylindre préconisée pour tous les points de la base de mesures – méthode de
correction par pression rapide
2ème méthode:
La deuxième méthode consiste à déterminer l’offset ∆L à ajouter à la pression cylindre pour obtenir
une compression polytropique caractérisée par un coefficient polytropique donné tel que :
P1 et P2 sont les pressions aux angles choisis respectivement en début et fin de compression
V1 et V2 sont les volumes de chambre aux angles choisis respectivement en début et fin de
L{ . `{ − L} . `}
$ $ $ $
∆L =
`} $ − `{ $
$ $ (2.9)
polytropique puis en calculant les VL pour tous les points de fonctionnement, une fois avec la pression
Sur la Figure 52a, on observe les résultats de la méthode polytropique en corrigeant le coefficient
moyenne et l’autre avec la pression filtrée (le filtrage n’affectant quasiment pas les résultats).
94
Chapitre II : Prérequis expérimentaux et numériques
Correction Pcyl
0.3 450
0.2
400
0.1
350
∆ P c y l [B a r]
T [°K]
0
-0.1 300
-0.2 Température d'admission
Recalage sur npoly avec P cyl moyenne 250 Température à IVC
-0.3 Recalage sur npoly avec P cyl filtrée
-0.4
200
0 500 1000 1500 0 500 1000 1500
N° Point [-] N° Point
(a) (b)
Figure 52 : Correction de pression cylindre préconisée pour tous les points de la base de mesures – méthode de
correction par approximation polytropique
Cette partie décrit les différents composants qui constituent le modèle de combustion. Comme le
montre la Figure 53, le modèle est construit sous AMESim à l’aide de plusieurs librairies spécifiques
qui sont présentées ci-après.
95
Chapitre II : Prérequis expérimentaux et numériques
- Le régime moteur,
- Les conditions dans le collecteur d’admission (pression rapide, température, composition),
- Les conditions dans le collecteur d’échappement (pression rapide, température, composition),
- Les paramètres de contrôle de l’injection (pression rail, SOI, durée injection).
96
Chapitre II : Prérequis expérimentaux et numériques
Une autre entrée est indispensable pour la phase de calibration du modèle complet : ce sont les
pressions cylindres expérimentales mesurées sur le banc d’essais. Le synoptique ci-dessus montre 4
pressions expérimentales représentant les 4 cylindres du moteur étudié.
Pour modéliser la combustion, il convient de considérer au minimum trois composants distincts: l’air,
le carburant (liquide et vapeur) et les gaz brûlés. Leurs propriétés thermodynamiques sont définies à
travers le sous-modèle « Gas Properties » fourni par la librairie d’IFP-Engine sous AMESim. Ce
modèle permet de spécifier le type de données utilisées pour modéliser les propriétés des gaz: dans
Diesel utilisé de la forme: -I CM . Le choix des indices (x, y et z) est conditionné par le pouvoir
notre cas le modèle de Janaf-Yaws. En plus, il faut fixer une formule chimique pour le carburant
comburivore du carburant utilisé. La formule finale trouvée est }{ -{{ avec un pouvoir comburivore
de 14.46 et un pouvoir calorifique inférieur PCI de 43240 J/Kg.
L’architecture du moteur est définie à travers le sous-modèle « Engine definition ». Ce modèle inclut
toutes les caractéristiques géométriques essentielles du moteur: l’alésage, la course, la longueur de
bielle, le volume mort ainsi que les surfaces d’échange thermique qui servent à modéliser les pertes
aux parois.
Un troisième sous-modèle est utilisé pour définir les caractéristiques de la distribution concernant la
levée des soupapes. Ce modèle est destiné à la modélisation des phases d’admission et d’échappement.
Il est nécessaire de l’implémenter dans le synoptique (ou « sketch ») même si les simulations réalisées
par la suite ne concerneront que la boucle fermée du cycle.
On détaille ci-après les sous modèles, ainsi que les différentes étapes qui aboutissent à la calibration
du modèle de combustion.
Dans ce modèle, on cherche à simuler le taux d’introduction instantané du carburant tout en ayant une
masse injectée de carburant la plus proche possible des données expérimentales. Le sous-modèle
d’injection mis en place permet d’effectuer 4 injections consécutives de carburant : 2 pré-injections
(ou injections pilotes), une autre principale et une dernière injection jouant le rôle d’une post-injection
(cf. Figure 54).
97
Chapitre II : Prérequis expérimentaux et numériques
Comme le montre la Figure 54, les entrées de ce modèle sont au nombre de quatre :
L’angle vilebrequin q.
- Les débuts d’injection en degré vilebrequin « SOI »,
-
Des capteurs de débits situés après chaque injecteur permettent d’envisager les différents taux
d’introduction « ROI » en Kg/s au cours d’un cycle moteur donné. Pour le moteur 1, ces taux
d’introduction de carburant sont fournis à partir d’une table à 3 dimensions utilisée par chacun de ces
injecteurs. La table 3D a été fournie par le constructeur du moteur et est issue de simulations du
système d’injection. Les taux d’introduction sont fonction de la durée d'injection et de la pression rail.
Ces données proviennent des données expérimentales, et subissent des corrections avant d’être
intégrées dans AMESim. Ces processus de correction seront détaillés dans la partie d’identification du
modèle complet.
Pour le moteur 2, un modèle d’injection de carburant différent a été adopté. Les entrées de ce modèle
sont les mêmes que celui du moteur 1, mais la table 3D a été remplacée par une table 1D qui génère un
taux d’introduction à partir d’un outil AMESim spécifique qui s’appelle « Injection Rate Tool ». Cet
outil utilise comme donnée d’entrée un taux d’introduction de référence qui est ensuite transformé en
fonction des variations de pression ou de durée d’injection.
De plus, comme déjà mentionné dans la section II.2.1.2.1, le temps d’injection AMESim est différent
de celui mesuré sur les bancs d’essais (temps d’injection effectif, contre durée d’activation électrique
des injecteurs). Pour cela, sachant que le temps d’injection est une des entrées des injecteurs mis en
places, on doit le recalculer avant de l’introduire dans AMESim pour lancer la simulation. Dans ce
but, une cartographie du temps d’injection en fonction de la masse de carburant à injecter et la
pression d’injection peut être extraite et construite à partir du sous-modèle d’injection d’AMESim (cf.
Figure 55). La masse de carburant à injecter est dans ce cas la masse expérimentale qui était déjà
corrigée via la balance carburant (voir II.2.1.2.1).
150 4000
3000
M inj [m g]
100
Tinj [ms]
2000
50
1000
0 0
4000 150
3000 100 3000
2000 2000 2000
1000 50 1000
Tinj [ms] Minj [mg]
0 0 Prail [bar] 0 0 Prail [bar]
(a) (b)
Figure 55 : (a) Cartographie construite à partir des taux d’introductions de carburant modélisés sous AMESim; (b)
Cartographie du temps d’injection en fonction de la masse de carburant injectée et la pression d’injection
La validation finale du modèle d’injection s’effectue en comparant les masses de carburant injectées
simulées par AMESim et celles expérimentales. Les écarts relatifs (Figure 56.a et 56.b) restent très
faibles, et sont dûs à l’interpolation faite dans la cartographie (a) qui est construite à partir des taux
d’introduction AMESim.
98
Chapitre II : Prérequis expérimentaux et numériques
3 4
2.5
2 3
E c a rt M i nj [ % ]
E c a rt M inj [% ]
1.5
2
1
0.5
1
0
-0.5 0
-1
-1.5 -1
0 500 1000 1500 0 50 100 150 200 250
N° pt N° pt
(a)Moteur 1 (b)Moteur 2
Figure 56 : Les écarts sur la masse de carburant injectée résultants de la simulation AMESim
Un modèle de chambre de combustion Diesel conventionnelle est disponible dans la librairie IFP-
engine permettant de calculer entre-autres le taux du dégagement de chaleur et l’évolution des
paramètres thermodynamiques au cours du cycle moteur. Plusieurs données d’entrée sont nécessaires
pour le fonctionnement du modèle (Figure 57) :
La synthèse bibliographique a conduit à choisir le modèle de Barba [70] pour décrire le dégagement de
chaleur au cours de la combustion. Il associe un dégagement de chaleur à chaque injection de
carburant (pilotes et principale). Pour chacun de ces dégagements de chaleur, Il fait intervenir les
processus d’évaporation du carburant, le délai d’auto-inflammation. Dans cette approche, il n’existe
pas un modèle de spray mais une modélisation physique de deux phases distinctes de combustion : le
pré-mélange et la diffusion. Le carburant injecté au cours des injections pilotes est presque totalement
99
Chapitre II : Prérequis expérimentaux et numériques
brûlé en pré-mélange, tandis que la combustion du carburant principal est la résultante de la somme de
ces deux phases.
D’après Barba, le carburant injecté est discrétisé en des paquets liquides qui débutent l’évaporation
directement au moment de l’injection. La partie liquide du paquet est définie par son diamètre qui
= [G { − 3 ( . ]
{
3 ( ≅ 10 7 /´ :constante d’évaporation.
2« {
(2.10)
Le modèle du délai d’auto-inflammation a été déjà présenté dans la partie I.3.2.5 sous la forme d’une
loi d’Arrhenius en fonction de la richesse locale, de la pression et de la température moyenne
(spatialement) dans le cylindre. Par conséquent, 4 coefficients sont disponibles pour calibrer ce modèle
de délai.
La phase de pré-mélange concerne la combustion du carburant qui est injecté avant le début de l’auto-
inflammation. Selon Barba, elle comporte deux modes de combustion : le mode 1 et le mode 2 (cf.
Figure 58). Le mode 1 est caractérisé par un taux de dégagement de chaleur ascendant décrivant la
propagation du front de flamme à partir d’un point d’auto-inflammation du mélange, tandis que le
deuxième mode est représenté par une courbe descendante du taux de dégagement de chaleur qui est
lié à la masse du carburant disponible dans la chambre de combustion.
- Etape 1 : l’injection du carburant qui se vaporise pour former une zone sphérique de pré-
mélange de carburant gazeux.
- Etape 2 : L’entrainement initial d’une petite quantité d’air et de gaz brûlés dans la zone
sphérique de carburant.
100
Chapitre II : Prérequis expérimentaux et numériques
- Etape 3 : Cette étape commence après la fin de l’injection de carburant. Les gaz environnants
sont entrainés dans la zone sphérique pour se mélanger avec le carburant vaporisé grâce à la
turbulence existant dans le cylindre.
- Etape 4 : Cette étape représente le mode 1 de combustion de pré-mélange durant laquelle la
propagation de la flamme commence à partir de l’auto-inflammation d’un seul point du
mélange. Le taux de dégagement de chaleur est par conséquence ascendant.
- Etape 5 : En même temps, d’autres sites d’auto-inflammation se manifestent en limitant le
taux de dégagement de chaleur ascendant du mode 1, dépendant de la masse du carburant qui
reste dans la zone de pré-mélange. L’allure descendante du mode 2 est liée à ce processus.
Durant cette phase de combustion, le taux de dégagement de chaleur est toujours égal à la valeur
minimale entre les deux modes :
”S" ”S" ”S"
û = 78H û , û ¡
”] ”] 9 } ”] 9 {
(2.12)
turbulent [4 qui s’exprime à son tour en fonction de la vitesse du front de flamme laminaire [\ et la
Pour le mode 1, le taux de combustion dépend de la vitesse de propagation du front de flamme
vitesse turbulente K′ :
”7.
û = k . [4 .
”] 9 }
(2.13)
K_ Q
"
[4 = [\ . „1 + . „ … …
}
[\
(2.14)
K_ = 3. `GL
VMP: vitesse moyenne du piston
(2.15)
c} , c{ , K: coefficients de calibration
101
Chapitre II : Prérequis expérimentaux et numériques
”7. 1 [4
û = . . ). . 79#
”] 9 { 3 WX
(2.16)
râ : rayon de la zone de pré-mélange
g: fonction empirique
c: coefficient de recalage (de l’ordre de 1)
7" .( {
)= ¡
7 # + 7:;<
(2.17)
Cette fonction représente le ralentissement de combustion du à l'extension de la surface de la sphère de
combustion.
fréquence de mélange % é est définie pour représenter l’effet de la turbulence sur la vitesse du
durant cette phase est exprimé en fonction de la masse du carburant disponible dans le cylindre. Une
”7.
Le taux de combustion est alors exprimé sous la forme suivante :
û = % é . 79#
”] 9# # $
(2.19)
La densité d’énergie cinétique turbulente 0 doit comporter l’effet généré par le mouvement des gaz
entrants ou enfermés dans la chambre de combustion. On peut citer principalement le swirl, le tumble
et le squish. Le modèle adopté par Barba se présente sous la forme :
ƒ
”0 2 1 ”`"I 0 { ”0
= − . 0. . − U# . + û
”] 3 `"I ”] 56 ”]
(2.20)
9
56 : longueur d’échelle intégrale qui est proche du diamètre du trou de l’injecteur ”6
U# : coefficient de dissipation
S •$
% ,9# = „ …
S ,
(2.21)
102
Chapitre II : Prérequis expérimentaux et numériques
núå°]
Une partie de la chaleur produite par la combustion est dissipée à travers les parois de la chambre de
combustion comme : le piston, la chemise du cylindre et la culasse. Ces pertes thermiques surviennent
sous trois formes différentes :
- Conduction
- Convection
- Rayonnement
La chaleur est transmise à partir des gaz de combustion vers les liquides de refroidissement. Un flux
thermique est premièrement transféré par convection et par rayonnement entre les gaz dans la chambre
et les parois du cylindre, puis par conduction à travers ces parois et finalement par convection du côté
du liquide de refroidissement (l’eau ou l’huile). Il suffit donc d’étudier ce flux d’énergie dans une de
ces 3 zones.
Du côté des gaz de combustion, les pertes thermiques peuvent être écrites de la façon suivante [15]:
”S T ”S T
ST= û + û
”] " $( ”] I
(2.23)
Le modèle de Woschni, largement utilisé [15], est retenu pour modéliser le coefficient de convection:
a : vitesse des gaz dans le cylindre exprimée en fonction de la vitesse moyenne du piston et de
Avec :
103
Chapitre II : Prérequis expérimentaux et numériques
`• : cylindrée
- Ne pas modifier les coefficients proposés par Heywood [15] et qui montrent une bonne
simulation de la phase de compression.
- La température des parois est supposée la même pour toutes les parois de la chambre, et est
100 100
^ # •3ž = . LG •7 Wž + 450 −
19 19
(2.28)
Comme tout modèle zéro-dimensionnel, le modèle de Barba doit être calibré avant d’être utilisé pour
des essais virtuels ou bien pour développer d’autres modèles phénoménologiques comme par exemple
les émissions polluantes. Par définition, le processus de calibration consiste à identifier le groupe de
paramètres nécessaires pour le modèle de Barba et les optimiser de façon à avoir la simulation la
meilleure possible, c’est-à-dire la plus proche des données expérimentales de référence (ici les
pressions cylindre mesurées et le dégagement de chaleur qui en est issu via une analyse
thermodynamique). Ces paramètres sont au nombre de 12 à 16 selon les différentes injections
considérées (pilote, principale) : délai d’auto-inflammation, pré-mélange et diffusion. Afin de réduire
ce nombre de paramètres, on adopte les mêmes paramètres de délai d’auto-inflammation pour les
différentes injections effectuées pour un point de fonctionnement donné. On obtient finalement 12
paramètres distincts à identifier :
Coefficient des gaz brulés pour le délai d’auto-inflammation des injections 1, 2, 3, 4 : ]cWZ´
11.
12.
On cherche à obtenir les valeurs de ces 12 paramètres qui permettent d’obtenir un accord avec les
données expérimentales optimal sur toute la plage de fonctionnement du moteur. La multi-injection, la
dilution par les gaz d’échappement ou la suralimentation créent des différences importantes entre les
points de fonctionnement, ce qui complexifie la recherche de paramètres qui puissent assurer le
compromis entre tous les points de fonctionnement stabilisés. L’identification manuelle semblant très
difficile, un outil de calibration automatique a été développé. Il prend en considération plusieurs
points essentiels :
- Les liens entre les différents paramètres rendent le recalage plus complexe
- Le grand nombre de paramètres nécessite une méthode de recalage séquentielle.
- La diversité des solutions implique la non-linéarité du système.
- L’algorithme retenu devra limiter le nombre de calculs (nb d’itérations) nécessaire tout en
garantissant une bonne précision.
104
Chapitre II : Prérequis expérimentaux et numériques
Cet outil permet de chercher les paramètres de Barba pour un moteur donné, avec une durée de calcul
de quelques heures qui augmente ou diminue en fonction de la précision désirée.
Les critères de validation sont les paramètres utilisés pour évaluer l’identification. Un pourcentage
minimal de précision à respecter est imposé pour chaque critère de validation. En plus de la validation,
ces critères contribuent au processus d’identification lui-même. En effet, ils sont utilisés pour définir
« les fonctions objectifs » pour les procédures d’optimisation. Six critères de validation distincts ont
été adoptés dans la présente étude :
Ces paramètres sont respectivement représentatifs du cycle complet (PMI), du délai d’inflammation et
de la phase initiale de la combustion (CA05 et CA10) et du phasage de la combustion de diffusion
(CA50).
Pour identifier un grand nombre de paramètres, il est bon de les répartir en sous-groupes dont chacun
se caractérise par ses propriétés spécifiques. Dans notre cas, les paramètres de Barba sont déjà répartis
à l’origine entre ceux qui spécifient le délai d’AI et ceux qui décrivent les deux phases de combustion :
pré-mélange et diffusion. Le synoptique représenté dans la Figure 60 montre la stratégie séquentielle
suivie pour recaler les paramètres de Barba. Trois étapes distinctes essentielles ont été établies afin de
simplifier le processus automatique. Pour chaque étape, on spécifie les paramètres à recaler avec les
critères de validation correspondants et la « fonction objectif » d’optimisation.
105
Chapitre II : Prérequis expérimentaux et numériques
4
p"T = . ±1 + ] . d:;< ). L"I . Z 4Ž
2$ (2.29)
Suite à des essais spécifiques réalisés pour tester le degré d’influence de chaque paramètre, on néglige
l’effet direct de la pression cylindre sur le temps caractéristique associé au délai d’auto-inflammation.
4
La nouvelle relation entre les 3 autres paramètres restants devient de la forme suivante :
p"T = . ±1 + ] . d:;< ). Z 4Ž
(2.30)
paramètres ^! et
Si on prend seulement en compte les points sans EGR, on pourrait par conséquent isoler les
du coefficient des gaz brûlés. Le synoptique de la Figure 61 met en évidence cette
stratégie à travers deux boucles de recalage itératives qui permettent d’obtenir un modèle primaire du
délai d’auto-inflammation.
^! et
Recalage de
]
Recalage de
4
p"T = . ±1 + ] . d:;< )Z Ž
4
Modèle primaire
du délai d’AI
Figure 61 : La démarche générale du recalage du délai d’AI
Pour le délai d’auto-inflammation, le CA05 est admis comme critère de validation. La méthode
d’optimisation adoptée dans cette étude est celle des moindres carrés qui cherche à minimiser la
fonction objectif suivante :
106
Chapitre II : Prérequis expérimentaux et numériques
$
{
%±^! , ) = 6 ²p!6 # ±0) − p!6 ±0)³
lÞ}
(2.31)
Avec :
Calculer cette fonction pour tous les points de fonctionnement est presque impossible. En effet, cela
demande beaucoup de temps et de coût de calcul. Le choix de quelques points représentatifs de tous
les champs ISO est donc indispensable pour la modélisation de la fonction objectif adoptée. Ces points
doivent être choisis de façon qu’ils assurent un compromis entre les points de fonctionnement
présentant des délais d’auto-inflammation plus ou moins longs. Etant donné que le CA05 est le critère
de validation dans cette étape, les points d’optimisation ont été choisis pour être répartis sur son
intervalle de variation. Cette étape consiste donc à chercher les limites des CA05 expérimentaux puis
diviser sa plage de variation en parties égales (ici 7 parties 7 points) dont le nombre dépend de la
précision et du temps de calcul visé.
En se basant sur des recalages déjà fait manuellement ou bien proposés par Barba, on peut estimer la
(PLEX) pour les deux paramètres ^ et , afin de choisir un grand nombre de points bien répartis sur
plage de variation des paramètres étudiés. L’étape suivante consiste à créer un plan d’expérience
La fonction objectif est enfin calculée pour chaque point du PLEX et ce pour les 7 points de
fonctionnement choisis. Un nombre suffisant de points de calcul est alors disponible pour modéliser la
fonction des moindres carrés. Plusieurs outils mathématiques sont disponibles sous MATLAB pour
modéliser cette fonction qui représente l’erreur commise par la simulation de Barba. On adopte ici la
modélisation surfacique basée sur l’interpolation et l’extrapolation des valeurs obtenues. Il ne reste
plus qu’à rechercher les valeurs optimales des paramètres correspondant à la valeur minimale de la
fonction objectif ainsi construite.
Pour le recalage du paramètre ] , il existe deux méthodes : soit réaliser une simple interpolation de
la fonction objectif des erreurs puis chercher le minimum de celle-ci et dans cette méthode il faudra
choisir un nombre déterminé des points avec EGR (entre 7 et 10 points). Soit prendre tous les points
paramètre ]
de fonctionnements avec EGR, ce qui est plus précis, puis choisir un intervalle bien validé pour le
et appliquer une méthode de dichotomie automatique pour chercher la position de
l’erreur minimale dans l’intervalle choisi (cf. Figure 62).
ε(erreur)
ε>0
] 2 #$
1
bÇcdë
] 2
ε<0 3
2
107
Chapitre II : Prérequis expérimentaux et numériques
La méthode adoptée pour le délai d’AI est reprise pour les phases de combustion. Un intervalle de
variation expérimental est défini pour chaque critère de validation, puis découpé en intervalles égaux
(7 intervalles comme pour le recalage du délai d’AI). Ce nombre d’intervalles n’est pas fixe, il dépend
du temps de calcul à respecter. Dans notre cas 7 points sont suffisants pour permettre de réduire
fortement le temps de calcul nécessaire pour le recalage final.
D’autre part, il existe 7 paramètres à recaler qui représentent les différentes phases de combustion.
Dans le synoptique de la Figure 63, ces paramètres sont classés selon la phase qu’ils représentent.
Dans le modèle d’origine de Barba il y avait 8 paramètres dont 2 pour la phase de pré-mélange. Les
tests préliminaires effectués ont permis de négliger l’effet du paramètre de mode 2 du pré-mélange et
fixer par conséquent une valeur constante de 2500. Un plan d’expérience de 400 points est ainsi créé à
partir de ces paramètres afin de modéliser une fonction objectif pour l’erreur de simulation. Pour
chaque point de fonctionnement, il y a donc 400 calculs de simulation à réaliser afin de modéliser la
fonction objectif.
La fonction objectif cette fois est sous forme de la somme des erreurs relatives pour chaque critère de
validation :
$
e5 # − 5 e
%ˆ , ., … ’ = 66
5
(2.32)
lÞ} #Þ}
L’erreur relative est le meilleur choix pour des critères de validation qui possèdent des unités et des
ordres de grandeur différents.
Cette fonction à 7 dimensions (variables) a été modélisée par une forme quadratique avec des
coefficients de corrélation proche de 1. La phase d’optimisation n’est jamais simple dans ces types de
modèles avec un grand nombre de facteurs. Une des méthodes les plus répandues est l’algorithme
génétique qui cherche les extremums globaux mais par contre il exige un temps de calcul très
important, peu compatible avec les attendus de cette procédure. Les autres outils d’optimisation sont
beaucoup plus simples et plus rapides mais incapables de chercher les extremums globaux. Ces
108
Chapitre II : Prérequis expérimentaux et numériques
fonctions demandent normalement des points de départ à partir desquels elles convergent vers les
minimums locaux en quelques secondes. La solution proposée dans notre outil consiste donc à faire
des dizaines de calcul d’optimisation à partie de dizaines de points de départ choisis par un plan
d’expérience spécifique. Cette méthode permet de lancer les fonctions d’optimisation locale dans
plusieurs endroits de la fonction objectif modélisée tout en profitant de leur faible temps de calcul.
Le processus complet du recalage automatique des phases de combustion est résumé par l’algorithme
de la Figure 64. Il récapitule toutes les étapes nécessaires détaillées ci-dessus.
Modélisation statistique
de la fonction objectif
Optimisation
NON OUI
Solution automatique
Validation
La dépendance des paramètres les uns avec les autres nous oblige à revenir au délai d’auto-
inflammation pour le réajuster à travers l’un de ses paramètres (en l’occurrence le coefficient pré-
exponentiel qui influe directement sur le délai d’une façon linéaire) et ce faisant on accomplie la
boucle d’itération globale.
Les valeurs des 12 paramètres du modèle de Barba obtenues grâce à la procédure de calibration
automatique sont recensées sur la Figure 65, pour les moteurs 1 et 2. Chaque paramètre est relié à la
phase qu’il représente. Les symboles utilisés sont extraits des librairies d’AMESim.
La Figure 66 et la Figure 67 représentent les résultats de simulation obtenus avec ces coefficients, pour
les moteurs 1 et 2 respectivement. Les barres bleues (Figures b à f) désignent la marge d’erreur
109
Chapitre II : Prérequis expérimentaux et numériques
acceptable qui prend en compte d’une part la dispersion entre les 4 cylindres et d’autre part les besoins
liés à l’utilisation du modèle (« Précision attendue » dans le Tableau 11).
Figure 65 : Paramètres du modèle de Barba pour les moteurs 1 et 2 obtenus avec la procédure de calibration automatisée
Concernant le moteur 1, la pression moyenne indiquée est systématiquement estimée avec une
précision de ±1 bars (Figure 66.a). La pression cylindre maximale joue un rôle clé dans les modèles
qui vont suivre comme les émissions polluantes à travers son influence sur les températures cylindre
locale et moyenne. Comme le montre la Figure 66.b, le modèle de Barba assure le compromis
nécessaire entre tous les points de fonctionnements stabilisés avec 85% des points dans la zone de ± 5
bars de précision. Le même résultat est observé pour le phasage de la pression maximale : 97 % des
points se situent dans la zone de précision acceptable (± 2 °vil). Sur la Figure 66.c, on remarque
l’existence de quelques points irréguliers qui présentent des valeurs d’angle de pression maximale
beaucoup plus élevées que celles expérimentales : ces points de fonctionnement sont caractérisés par
des pressions cylindres qui possèdent deux maximums de valeurs très proches (combustion après le
PMH), ce qui rend la détection du « vrai » maximum délicate.
Tableau 11 : Résultats de simulation et Confrontation vis-à-vis des attendus
Critères Description Résultats Résultat Précision Unité
Moteur 1 Moteur 2 minimum attendue
attendu
PMI HP La pression 100% 98% 90% ±1 bars
moyenne
PQ
indiquée HP
3 La pression 85% 97% 80% ±5 bars
cylindre
CA L’angle de L
maximale
•A
97% 97% 80% ±2 ° vil.
110
Chapitre II : Prérequis expérimentaux et numériques
Les angles caractéristiques du phasage de la combustion (CA05, CA10 et CA50) sont évalués à ± 2
°vil, pour environ 90% des points de fonctionnement considérés. Ces résultats montrent la robustesse
du modèle de Barba et de la méthode de calibration automatisée qui avec un seul groupe de paramètres
peut présenter un bon compromis sur toute l’étendue du champ moteur.
Pour le moteur 2, les résultats sont aussi rassemblés dans le Tableau 11 et illustrés par la Figure 67 .
Les pourcentages de points de fonctionnement correctement évalués sont encore satisfaisants. Ils
confirment les capacités du modèle de Barba et de l’outil d’identification sur un deuxième type de
moteur.
30
Model 180
P M I H P [b a rs ]
Experimental
Experimental
20 160 Model
10 140
P m a x [b a r]
0 120
0 200 400 600 800 1000 1200 1400
Point N° [-]
E rre u r P M I H P [b a rs ]
100
1
80
0
60
-1 40
0 200 400 600 800 1000 1200 1400 40 60 80 100 120 140 160 180
Point N° [-] Moyenne de Pmax [bar]
(a) (b)
111
Chapitre II : Prérequis expérimentaux et numériques
380
Experimental Experimental
375 Model 375 Model
370
C A Pm a x [°v il]
370
C A 05 [°vil]
365
365 360
355
360
350
370
C A 1 0 [°vil]
C A 50 [°]
375
365
360 370
355
365
350
350 355 360 365 370 375 380 365 370 375 380
Moyenne de CA10 [°vil] Moyenne de CA50 [°]
(e) (f)
Figure 66 : Résultats de l’identification automatique pour le Moteur 1
20 Model 160
PM I H P [bars]
XP Experimental Experimental
Model
140
10
120
P max [bar]
0
0 50 100 150 200 250
100
Point N° [-]
Erreur PM I H P [bars]
2
80
1
60
0
-1 40
0 50 100 150 200 250 40 60 80 100 120 140 160
Point N° [-] Moyenne de Pmax [bar]
(a) (b)
112
Chapitre II : Prérequis expérimentaux et numériques
370
C A 05 [°vil]
360
355
365
350
360
345
375
360
370
355
365
355 360 365 370 365 370 375 380
Moyenne de CA10 [°vil] Moyenne de CA50 [°vil]
(e) (f)
Figure 67 : Résultats de l’identification automatique pour le Moteur 2
Pour compléter, on montre la pression cylindre et le taux de dégagement de chaleur pour quelques
points de fonctionnement moteur. On prend trois cas distincts : sans pré-injection, avec une seule pré-
injection et avec deux injections pilotes. Une comparaison entre la simulation et les données
expérimentales est présentée. Dans le cas d’une seule pré-injection (cf. Figure 68), on montre trois
niveaux de charge. On remarque la bonne performance du modèle présent pour les très faible, faible et
moyenne charges pour différents taux de dilution par les gaz brûlés (Pour EGR = 12%, 40% et 50%).
Les taux de dégagement de chaleur simulés présentent une très bonne précision tout le long du cycle
moteur, surtout la combustion de carburant pré-injecté qui est considéré par Barba comme combustion
de pré-mélange. Cette hypothèse semble réaliste et aboutit à un taux de combustion très proche de
celui expérimental.
113
Chapitre II : Prérequis expérimentaux et numériques
5
x 10
2.5
1.5
0.5
-0.5
200 250 300 350 400 450 500
Angle Vilebrequin [° vil.]
1.5
0.5
-0.5
200 250 300 350 400 450 500
Angle Vilebrequin [°vil.]
Moyenne charge: N = 1500 tr/min PME = 12 bar %EGR = 12 %
5
x 10
6
Taux du dégagement de chaleur [W]
Banc moteur
5 Simulation
-1
200 250 300 350 400 450 500
Angle Vilebrequin [°vil.]
Figure 68 : Validation du modèle de combustion sur des points avec une seule pré-injection
Le même type de résultats est aussi obtenu pour les points avec 2 injections pilotes comme le montrent
les graphiques de la Figure 69. Le point présenté est un point de pleine charge avec une pression
effective moyenne de 16 bars, qui exige normalement 2 injections pilotes avant l’injection principale.
Celui-ci est une bonne indication que le modèle de Barba prend bien en compte la multi-injection bien
que les mêmes paramètres soient utilisés pour les délais d’auto-inflammation de chacune des
injections.
114
Chapitre II : Prérequis expérimentaux et numériques
5
x 10
6
-1
200 250 300 350 400 450 500
Angle Vilebrequin [°vil.]
Figure 69 : Validation du modèle de combustion sur des points avec deux pré-injections
Une dernière validation est effectuée pour un point de haut régime sans EGR et sans aucune pré-
injection (cf. Figure 70). L’effet de l’absence de cette petite injection apparait clairement sur le taux de
dégagement de chaleur où on observe un pic élevé durant la phase de pré-mélange.
Banc moteur
3 Simulation
2.5
1.5
0.5
-0.5
200 250 300 350 400 450 500
Angle Vilebrequin [°vil.]
Figure 70 : Validation du modèle de combustion sur des points sans pré-injection
115
Chapitre II : Prérequis expérimentaux et numériques
Sur le plan expérimental, de larges bases de données, relatives à deux moteurs Diesel
automobiles distincts, ont été mises en place. La première a été réalisée dans un contexte industriel et
a été mise à disposition pour cette étude. Plusieurs corrections ont été nécessaires compte tenu de
certaines mesures approximatives. La deuxième campagne expérimentale a été réalisée
spécifiquement au cours de cette thèse, dans un environnement académique. Ces données très
nombreuses et variées vont être utilisées dans les trois chapitres qui suivent pour :
- Servir de données d’entrée au modèle, en fournissant notamment les conditions initiales (en
fin d’admission) pour le calcul de la boucle fermée du cycle : pression, composition, ainsi que
les paramètres d’injection (masse, pression et avances),
- réaliser une analyse des émissions polluantes, qui, conjuguée avec les informations issues de
la synthèse bibliographique va permettre d’identifier les paramètres physiques d’influence et
de développer des modélisations phénoménologiques,
- évaluer les modèles d’émissions développés en les confrontant aux émissions expérimentales.
Sur le plan de la modélisation, des modèles 0D des deux moteurs supports ont été développées
sous AMESim pour simuler la boucle fermée du cycle. Une procédure automatisée a été développée
pour calibrer le modèle de combustion de Barba sur toute l’étendue d’un champ moteur (régime
charge). Elle a permis de déterminer un jeu de coefficients par moteur qui conduisent ensuite à une
évaluation correcte des performances (PMI) et du dégagement de chaleur (caractérisé par les CA05,
CA10, CA50 et l’angle et le niveau de pression maximale dans le cylindre) sur la plupart (environ
90%) des points de fonctionnement testés. Les bases sont donc posées pour le développement de
modèles d’émissions polluantes, même si certaines évolutions seront nécessaires, par exemple pour
accéder à une température représentative de zone de combustion, alors que seule la température
moyenne est utilisée dans la modélisation initiale.
116
117
118
Chapitre III : Modèle de ÅÆÇ
Ce chapitre présente le développement d’un nouveau modèle d’émissions d’oxydes d’azote (NOx).
L’approche retenue est une approche semi-empirique : il s’agit de relier les émissions de NOx à des
paramètres de combustion « physiques » dont l’influence est jugée importante. Les valeurs de NOx
mesurées sur banc moteurs pour le moteur 1 sont utilisées pour construire le modèle et identifier les
paramètres « physiques » d’entée du modèle. Ce chapitre se décompose de la manière suivante :
Dans une première partie, on décrit un modèle « 2 zones » servant à calculer une température
instantanée de gaz brûlés où sont produits les NOx. La définition des zones, les hypothèses, ainsi que
les bilans de masse et d’énergie sont détaillés.
Dans une deuxième partie, on identifie les paramètres « physiques » qui servent de paramètres
d’entrée du modèle de NOx.
La troisième partie propose une loi empirique reliant les émissions de NOx aux paramètres ainsi
identifiés.
La quatrième partie compare les résultats du modèle aux émissions mesurées sur banc d’essais
moteurs, pour les points dits d’ « apprentissage » du modèle et pour les points dits de « validation ».
Dans une cinquième partie, on présente les résultats de mesures spécifiques mises en œuvre au banc
d’essais visant à séparer les effets des paramètres d’entrée du modèle de NOx, et permet ainsi de
conforter la construction du modèle.
Dans une dernière partie, on présente des études de sensibilité. La première étude de sensibilité
caractérise l’importance des incertitudes liées à la mesure des paramètres moteurs au banc d’essais et
au modèle de taux de dégagement de chaleur (modèle de Barba) sur l’estimation des paramètres
« physiques » d’entrée du modèle de NOx. La deuxième partie vise à caractériser les incertitudes
finales sur l’estimation des émissions de NOx par le modèle.
119
III.1 – Modèle « 2 zones » pour le calcul de la température adiabatique de
flamme
La bibliographie sur les émissions de BC dans les moteurs à allumage par compression (combustion
conventionnelle) a montré que celles-ci sont formées côté pauvre de la flamme de diffusion pendant la
phase quasi-établie du jet, puis dans les gaz brûlés pauvres après la fin de l’injection. Pour pouvoir
modéliser leur production dans la chambre de combustion, il est donc nécessaire de prendre en compte
la stratification en richesse et en température. Le découpage le plus simple, que l’on retient ici, est un
découpage en deux zones :
On décrit plus en détails ci-après les hypothèses et calculs effectués dans les deux zones.
- Les gaz contenus dans le cylindre sont considérés comme des gaz parfaits.
- La pression dans le cylindre est supposée homogène et identique dans les deux zones.
- La zone des gaz brûlés contient les produits de combustion stœchiométrique ; sa richesse est
donc égale à 1. Le transfert de masse de la zone de gaz frais vers la zone de gaz brûlés est
donc directement lié au taux de combustion.
- La zone des gaz brûlés est adiabatique : il n’y a pas de transferts de chaleur avec la zone de
gaz frais et avec les parois de la chambre de combustion. Les échanges thermiques aux parois
120
III.1.1.1- Bilan de masses
Les masses de chacun des trois gaz (air, carburant et gaz brûlés) dans la zone crée est gérée par les
masses transférées des gaz frais et celles qui participent à la combustion :
”7 . ”7 ”7 .
¨ = ¨ +„ ¨ …
→ .
”] #
”] #
”] #
(3.1)
" .
”7 . ”7 → . ”7 .
¨ = ¨ +„ ¨ …
”] " .
”] " .
”] " . "
(3.2)
.
”7 . ”7 ”7 .
¨ = ¨ +< ¨
→ .
=
”] ”] ”]
" .
”7 ”7 ”7
= ¨ + ¨ + ¨
→ . → . → .
(3.3)
”] ”] #
”] " .
« pro » exprime les produits de la combustion qui se déroule dans la zone GB.
Les gaz brûlés transférés des gaz frais proviennent des gaz d’EGR ré-circulés à l’admission :
”7 ”7
¨ ¨ = de;< ∗
→ . → .
”] ”] #
(3.4)
Cette équation tient compte de l’effet de dilution des gaz brûlés par l’EGR et donc de l’effet thermique
qui en découle.
”7 . ”7 .
„ ¨ … =L C∗„ ¨ …
”] #
”] " . "
(3.5)
" . .
III.1.1.2- Bilan d’énergie
L’application du premier principe de la thermodynamique en système ouvert sur la zone des gaz brûlés
(dont la composition est fixe) permet d’écrire :
”- . ”S . ”L . ”7 /
= + ` .. + 6ℎ e# . ¨
”] ”] ”] /
”] #
(3.6)
#
Avec :
Z/´: entreé/sortie
8 : indice du gaz
D’autre part, l’enthalpie peut être de même écrite en fonction des enthalpies massiques de chacun des
3 gaz sous la forme suivante :
121
”- . ” ∑#±7# . ℎ# )
= = 6 7# . ”ℎ# + 6 ℎ# . ”7#
”] ”]
# #
”^ . ”7 .
=7 . + 6ℎ . e . ¨
(3.8)
. ”] # ”] #
#
Avec :
”7 . ”7 .
6ℎ . e . ¨ = 6 ˆ∆ℎ° + ℎ ’ g . ¨
# ”] # . # ”] #
(3.9)
# #
∆h°à : enthalpie standard de formation
ℎ : enthalpie sensible
L’égalité entre les équations (3.6) et (3.8) conduit à :
”^ . ”S . ”L . ”7 → .
7 = + ` .. + 6ℎ e . ¨ …
. . ”] ”] ”] # ”] # #
”7 .
− 6 ˆ∆ℎ° + ℎ ’ g . ¨
(3.10)
. # ”] #
#
”^ . ”S . ”L .
7 = + ` ..
. . ”] ”] ”]
”7
+ 6 ˆ∆ℎ° + ℎ ’ g . ¨ …
→ .
# ”] #
#
”7 .
(3.11)
− 6 ˆ∆ℎ° + ℎ ’ g . ¨
. # ”] #
#
”^ . ”S . ”L .
7 = + ` .
. . ”] ”] .
”]
”7 ”7 .
+ 6 >ˆ∆ℎ° ’ g . ¨ − ˆ∆ℎ° ’ g .
¨?
→ .
# ”] #
”] # . #
#
”7 → . ”7 .
(3.12)
+ 6±ℎ ) e . ¨ − 6±ℎ ) . e . ¨
# ”] #
# ”] #
# #
∑# üˆ∆ℎ° ’ g . − ˆ∆ℎ° ’ g .
9 )‘ 9 );→)‘ 9 )‘
9
g 9
g 9
gý
# # # . # #
En remplaçant les termes dans par les
équations (3.1), (3.2) et (3.3) on obtient :
”7 ”7 . ”S"
6 >ˆ∆ℎ° ’ g . ¨ − ˆ∆ℎ° ’ g . ¨?=
→ . .
# ”] #
. # ”] # h]
(3.13)
#
On obtient finalement :
”^ . ”S . ”L . ”S" .
7 . ”]
= + ` . +
.
h] .
”] h]
”7 → . ”7 .
+ 6±ℎ ) e . ¨ − 6±ℎ ) . e . ¨
”] ”] #
(3.14)
# #
# # #
9
Le terme Ž$ ‘ exprime le taux de dégagement de chaleur résultant de la combustion, calculé avec
9
l’approche de Barba (cf. chapitre précédent).
122
III.1.2- Résultats
Les enthalpies et les constantes de chaleur spécifiques sont calculées à partir des doubles expressions
de JANAF : une définie pour les faibles températures et une autre pour les températures élevées. Ces
expressions sont des fonctions polynomiales de la température avec des coefficients tabulés dans les
librairies d’AMESim. Dans les figures ci-après on montre un exemple d’un point de fonctionnement
stabilisé du moteur 1 avec les caractéristiques de fonctionnement suivantes :
- N =1750 tr/min.
- PME = 9 bars
- Taux d’EGR = 27 %.
La Figure 72 donne, pour ces conditions de fonctionnement, les pressions cylindre mesurée et calculée
(a), les taux de dégagements de chaleur correspondants (b), les températures calculées par le modèle
(c). La Figure 72.d donne l’évolution de la température des gaz brûlés lors d’un changement du taux
d’EGR (les autres paramètres sont maintenus constants). Cette dernière figure montre que la
température des gaz brûlés est fortement affectée par le taux d’EGR, conformément aux expériences
(revue bibliographique).
2500
Model
Experimental
2000
1500
d Q /d t [W ]
1000
500
-500
250 300 350 400 450 500
Crank Shaft Angle [CAD]
(a) (b)
(c)
(d)
Figure 72 : Résultats du modèle deux zones
123
III.2 – Éléments de construction du modèle de ÅÆÇ
Il s’agit maintenant de relier les émissions de BC aux paramètres physiques. On propose ci-après de
représenter les émissions de BC mesurées sur un champ ISO du moteur 1 en fonction de différents
Sur les figures ci-dessous, les concentrations de BC mesurées à l’échappement sont représentées en
fonction de la température adiabatique de flamme maximale (zone GB, notée Max (^ 9
valeur maximale de la température moyenne au cours du cycle (notée Max (^ ( )) pour deux iso-
)) et de la
régimes (1750 tr/min et 2000 tr/min) contenant des points avec et sans EGR.
1400 1400
1200 1200
NOX [ppm]
N O X [p p m ]
1000 1000
800 800
600 600
400 400
200 200
0 0
2300 2400 2500 2600 2700 2800 2900 3000 3100 3200 1000 1200 1400 1600 1800 2000 2200
Max (Tad flame) [°K] Max (Tavg) [°K]
(a) (b)
Iso-régime N = 2000 tr/min
1800 1800
SANS EGR SANS EGR
1600 AVEC EGR 1600
AVEC EGR
1400 1400
1200 1200
N OX [p p m ]
N O X [p p m ]
1000 1000
800 800
600 600
400 400
200 200
0 0
2400 2500 2600 2700 2800 2900 3000 3100 3200 1000 1200 1400 1600 1800 2000 2200 2400
Max (Tad flame) [°K] Max (Tavg) [°K]
Figure 73 : Emissions de ÅÆÇ pour des babalyages de charge avec et sans EGR en fonction des valeurs maximales de
(c) (d)
124
Pour les deux iso-régimes, ces représentations font apparaitre deux « enveloppes » différentes : l’une
décomposition d’une partie des BC , l’interaction des gaz brûlés avec les gaz frais...
température (lié à la quantité de carburant introduit à chaque cycle, autrement dit la charge), la
La concentration d’oxygène utilisée ici correspond à l’excès d’oxygène admis dans la chambre. Elle
est calculée en fonction de la richesse équivalente globale :
±1 − t) ∗ n
n =
1−t∗n
(3.16)
Avec n la richesse globale sans prise en compte de l’air admis par l’EGR, et t calculé comme suit :
d:;< S
t= ∗
#
±1 − d:;< ) S S #
+
" . 1 − d:;<
(3.17)
125
Iso-régime N = 1750 tr/min SANS EGR
1800 1800
1600 1600
1400 1400
1200 1200
NOX [ppm]
NOX [pp m]
1000 1000
800 800
600 600
400 400
200 200
1200 1300 1400 1500 1600 1700 1800 1900 2000 2100 2200 6 8 10 12 14 16 18
Max (Tavg) [°K] Oxygen excess [%]
(a) (b)
Figure 74 : Emissions de ÅÆÇ en fonction de la température moyenne maximale (a) et l’excès d’oxygène (b) pour un ISO-
régime de 1750tr/min
Les émissions de BC ne suivent pas une évolution monotone avec la température. Elles continuent à
duquel les émissions de BC suivent une tendance décroissante. Malgré la haute température atteinte
augmenter avec la température (lorsque la charge augmente) jusqu’à arriver à un maximum à partir
pour les pleines charges, on obtient moins d’émissions de BC . La même tendance est observée aux
émissions de BC chutent.
oxygène. Dans notre cas, pour des fortes charges, lorsque l’excès d’oxygène est inférieur à 8%, les
Elle a été établie afin d’observer une évolution monotone du BC lorsque l’on fait varier la charge
On propose une expression adimensionnée qui combine la température et la concentration d’oxygène.
(sans EGR).
7 cˆ^ ’
%} = %ˆ^ , •C{ ž’ = •C{ ž•,{{ ∗
(
(
^
(3.18)
Avec :
^ = 2800 °3
La Figure 75 montre l’évolution monotone croissante des BC en fonction du paramètre f1 :
126
1800
1600
1400
1200
NOX [ppm]
1000
800
600
400
200
2200 2400 2600 2800 3000 3200 3400
Figure 75 : Evolution des émissions de ÅÆÇ en fonction de ij pour un ISO-régime de 1750 tr/min sans EGR
f(max(Tavg),[O2])
En revanche, si l’on trace les balayages de charge avec et sans EGR au même régime, on obtient là-
encore deux « enveloppes » très différentes, sur les courbes :
1200 1200
N O X [p p m ]
N O X [p p m ]
1000 1000
800 800
600 600
400 400
200 200
0 0
1000 1200 1400 1600 1800 2000 2200 4 6 8 10 12 14 16 18
Figure 76 : Emissions de ÅÆÇ en fonction de la température moyenne maximale (a) et l’excès d’oxygène (b) pour un ISO-
Max (Tavg) [°K] Oxygen excess [%]
127
1800
SANS EGR
1600
AVEC EGR
1400
1200
NOX [ppm]
1000
800
600
400
200
0
2000 2200 2400 2600 2800 3000 3200 3400
Figure 77 : Evolution des émissions de ÅÆÇ en fonction de f1 pour un ISO-régime de 1750 tr/min avec et sans EGR
f(max(Tavg),[O2])
Au final, on propose d’écrire que les émissions de BC sont fonctions des deux paramètres Max
(^ 9 ) et f1. La corrélation finale est la somme adimensionnée suivante :
•BC ž
∞ ∗ %} + 7 ∗ %{ = ∗ %ˆ^ , •C{ ž’ + 7 ∗ %±^ )
•BC ž ( 9 (3.19)
Avec :
maxˆ^ 9 ’
%{ =
^
(3.20)
•BC ž = 2000 ¬¬7
^ = 2800 °3
entre les émissions de BC et f(^ 9 ,^ ( , [O2]), unique pour les balayages avec et sans EGR, et
Les coefficients empiriques a et b sont calibrés de manière à obtenir une relation monotone croissante
indépendante du régime.
128
1800
SANS EGR
1600 AVEC EGR
1400
1200
NOX [ppm]
1000
800
600
400
200
0
7500 8000 8500 9000 9500 10000 10500 11000
Figure 78 : Evolution des émissions de ÅÆÇ en fonction de f(Tad flame, Tavg, [O2]) à 1750 tr/min avec et sans EGR
f(Tad flame,Tavg,[O2])
1800
SANS EGR
1600
AVEC EGR
1400
1200
NOX [ppm]
1000
800
600
400
200
0
7500 8000 8500 9000 9500 10000 10500 11000
f(Tad flame,Tavg,[O2])
Figure 79 : Evolution des émissions de ÅÆÇ en fonction de f(Tad flame, Tavg, [O2]) à 2000 tr/min avec et sans EGR
haute température dans la zone de formation de BC . On montre ci-après que ce dernier est pris en
Le modèle établi jusqu’ici ne fait pas apparaitre explicitement le temps de séjour des gaz brûlés à
compte de manière indirecte dans la formulation empirique proposée précédemment. Pour cela, on
définit le temps de séjour comme la durée pendant laquelle la température adiabatique de la flamme
(température de la zone de gaz brûlés) est supérieure à 1800 K, comme illustré sur la figure suivante :
129
Figure 80 : Méthode de calcul du temps de séjour des ÅÆÇ sous des hautes températures
Sur la figure suivante, on trace les émissions de BC (figures a et c) et les valeurs prises par
f±max(^ 9 ),max (^ ( ), •O{ ž) (figures b et d) pour les mêmes iso-régime que précédemment,
avec et sans EGR.
1600
10500
1400
f ( T a d f la m e ,T a v g ,[O 2 ])
10000
1200
N O x [p p m ]
1000 9500
800 9000
600
8500
400
8000
200
0 7500
4 5 6 7 8 9 10 4 5 6 7 8 9 10
Temps de séjour [ms] Temps du séjour [ms]
(a) (b)
130
ISO-régime de 2000 tr/min
1800 11000
1600
10500
1400
1000 9500
800 9000
600
8500
400
8000
200
0 7500
4 5 6 7 8 9 10 4 5 6 7 8 9 10
Temps de séjour [ms] Temps du séjour [ms]
Figure 81 : Evolution des ÅÆÇ et de f(Tad flame, Tavg, [O2]) en fonction du temps de séjour proposé, avec et sans EGR
(c) (d)
Les figures a et c confirment l’importance du temps de séjour sur les émissions de BC . La relation
quasi-monotone croissante entre le temps de séjour et f±max±Tad flamme) , max±Tavg) , •O{ ž)
(figures b et d) semble indiquer que f±max±Tad flamme) , max±Tavg) , •O{ ž) prend bien en
max(klép ), [O2])
Une fois déterminée la fonction f(max(^ 9 ), max (^ ( ), [O2]), il convient d’établir une relation
empirique entre les émissions de BC et f. Le choix a été fait d’utiliser une cartographie BC fonction
de f(max(^ 9 ), max (^ ( ), [O2]) et du régime de rotation du moteur.
La Figure 82 montre une cartographie de BC créée à partir d’un certain nombre de points dits
d’ « apprentissage ». On détaille plus loin les résultats pour ces points d’apprentissage et points dits de
« validation ».
131
Figure 82 : Modèle de cartographie pour les émissions de ÅÆÇ en fonction de f(Tad flame, Tavg, [O2]) et du régime de
rotation
La cartographie montre finalement que le modèle est peu dépendant du régime. Pour plus de précision,
on choisit néanmoins de prendre en compte le régime de rotation.
valeurs possibles de BC .
couvrir toutes les conditions de fonctionnement du moteur, des plus faibles aux plus fortes
- Ils doivent être bien répartis sur le plan à deux dimensions : %±•C{ ž, ^ ( , ^ 9 ) et N
(tr/min).
- Un filtrage des points de champs ISO est indispensable avant de choisir les points
d’apprentissage. Aussi, on exclut les points de fonctionnement où le modèle de combustion
(Barba) donne de moins bons résultats : on ne conserve que les points qui possèdent une erreur
très faible sur la pression et le dégagement de chaleur simulés.
- Les points avec de l’EGR haute pression sont exclus. En effet, pour ces points il y a une
incertitude importante dans la mesure du taux de dilution, à cause de la présence de deux
collecteurs d’admission (voir chapitre II). Ceci est propre au moteur 1.
La cartographie ainsi crée a été intégrée sous AMESim en tant que sortie du modèle de combustion
(table 2D) ; les données d’entrée sont les suivantes :
132
Ces trois dernières variables sont regroupées dans la fonction %±•C{ ž, ^ ( ,^ 9 ) telle que décrite
précédemment.
Les points d’apprentissage ne sont pas utilisés directement, mais l’outil réalise des interpolations entre
présentée précédemment. Une comparaison entre les émissions de BC mesurées et calculées pour les
Quelques centaines de points (500 points environ) ont été utilisés ici pour définir la cartographie
points d’apprentissage est présentée sur la Figure 83. Les résultats suivants sont obtenus :
• 100% des points sont compris entre les deux droites vertes représentant +/- 20% d’erreur, et
98% pour +/- 10%.
Ces écarts sont liés à la procédure d’interpolation lors de la création de la table 2D.
2500
2000
Predicted N O x [PPM ]
1500
1000
500
0
0 500 1000 1500 2000 2500
Measured NOx [PPM]
Figure 83 : Comparaison entre les émissions de NOx mesurées et calculées pour les points d’apprentissage
On montre sur la Figure 84 les résultats du modèle pour les autres points de fonctionnement des
champs ISO, différents des points d’apprentissage. Les résultats suivants sont obtenus :
• 97% des points sont compris entre les deux droites vertes représentant +/- 20% d’erreur, et
L’erreur relative est la même pour les faibles et pour les fortes valeurs de BC .
88% pour +/- 10%.
•
133
3000
2500
1500
1000
500
0
0 500 1000 1500 2000 2500
Measured NOx [PPM]
Figure 84 : Comparaison entre les émissions de NOx mesurées et calculées pour les points de validation
On compare dans cette partie les résultats du modèle de BC aux valeurs mesurées sur banc d’essai
moteur lors de variations mono-paramétrées, c'est-à-dire lorsqu’un seul paramètre moteur est modifié.
On rappelle que ces essais ont été fournis par Renault et n’ont pas été réalisés spécifiquement pour
l’étude. Les paramètres modifiés sont les suivants :
800
800
N O x [P P M ]
N O x [P P M ]
600
600
400
400
200
200
0
1 1.5 2 2.5 3 3.5 4 0
1.2 1.4 1.6 1.8 2 2.2 2.4 2.6
Pilot Fuel Injection [mg]
Pilot Fuel injection [mg]
(a)
(b)
134
N = 2000 RPM N = 2750 RPM
1200 1600
Model Model
Experimental 1400 Experimental
1000
1200
800
N O x [P P M ]
N O x [PPM ]
1000
600 800
600
400
400
200
200
0 0
1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 1.5 2 2.5 3
Pilot Fuel injection [mg] Pilot Fuel injection [mg]
(c) (d)
Figure 85 : Résultats du modèle lors du changement de la masse de carburant injectée en pilote
N O x [P P M ]
800
1000
600 800
600
400
400
200
200
0 0
100 200 300 400 500 600 700 800 900 400 500 600 700 800 900 1000 1100 1200
Turbine Outlet Pressure [mbars] Turbine Outlet Pressure [mbars]
(a) (b)
Figure 86 : Résultats du modèle lors du changement de la contre pression d’échappement
N = 4000 RPM
2000
Model
1800 Experimental
1600
1400
NOx [PPM]
1200
1000
800
600
400
200
0
310 320 330 340 350
Intake Manifold Temperature [K]
Figure 87 : Résultats du modèle lors du changement de la température dans le collecteur d’admission
135
N = 4000 RPM N = 1750 RPM
1600 1600
Model Model
1400 Experimental 1400 Experimental
1200 1200
N O x [P P M ]
N O x [P P M ]
1000 1000
800 800
600 600
400 400
200 200
0 0
2150 2200 2250 2300 2350 2400 2450 2500 2450 2500 2550 2600 2650 2700
Dans la plupart des cas, le modèle capture les tendances d’un point de vue qualitatif lors des variations
mono-paramétrées présentées. Des écarts quantitatifs sont parfois obtenus, allant jusqu’à +/- 20%. Des
analyses plus détaillées seront proposées dans le chapitre V.
III.5- Essais spécifiques pour la séparation des effets de [O2], max (klép ) et
max (klm inlod ) sur les émissions de ÅÆÇ
Afin de conforter le choix des paramètres « physiques » d’entrée du modèle d’émissions de BC , des
On décrit ci-après le détail des différents tests effectués et les résultats correspondants.
III.5.1- Test A
Les caractéristiques du point de fonctionnement utilisé pour ce test sont les suivantes :
• N=1500 tr/min,
• PME : environ 9 bars,
136
Taux d’EGR : 0%,•
•
2 injections pilotes avant l’injection principale,
•
Masse injectée en injection principale variable de 20 mg/cycle à 22.5 mg/cycle, afin de faire
varier [O2],
• Autres paramètres d’injection fixés à leurs valeurs nominales.
Comme le montre la Figure 89, avec ces conditions de fonctionnement, lorsque la masse injectée en
principale varie de 20 mg/cycle à 22.5 mg/cycle, max(Tad flame) reste quasiment constante à une
valeur proche à 3095 K, tandis que max(Tavg) augmente et [O2] diminue.
2200
5
[K ]
2180
m a x (T a v g) [ K ]
4.5
f l a m e)
[O 2 ] [% ]
2160 3100
m a x (T ad
4
2140
3.5
2120
2100 3 3050
19.5 20 20.5 21 21.5 22 22.5 23 19.5 20 20.5 21 21.5 22 22.5 23 19.5 20 20.5 21 21.5 22 22.5 23
mmain [mg] mmain [mg] mmain [mg]
(a) (b) (c)
Figure 89 : Variations de max(Tavg), [O2] et max(Tad flame) pour le test A
Une comparaison des émissions de BC mesurées et calculées par le modèle est donnée sur la figure
suivante :
1250
Banc
Modèle
1200
NOx [ppm]
1150
1100
1050
1000
19.5 20 20.5 21 21.5 22 22.5 23
mmain [mg]
Figure 90 : Comparaison entre les émissions mesurées et calculées par le modèle, test A
Dans ce cas, la baisse de [O2] l’emporte sur la hausse de max (^ ( ), conduisant à une baisse de f1.
A max (^ 9
de BC est néanmoins légèrement sur-estimée par le modèle dans ces conditions de fonctionnement.
) fixée, le modèle semble bien réactif à la modification de f1. La baisse des émissions
III.5.2- Test B
137
N=1500 tr/min, •
•
PME : environ 10 bars,
•
Taux d’EGR : 0%,
max(^ ( ),
•
Masse d’air enfermée fixée et masse totale injectée fixée, permettant de fixer [O2] et
max(^ 9
• 1 injection pilote dont la masse varie de 1 à 3 mg/cycle de manière à faire varier
) ; la masse injectée en principale diminue d’autant,
• Phasages des injections constants.
Les résultats sont présentés sur les figures suivantes :
6.5
2120
3090
2100
[K ]
6 3085
m a x (T a v g) [K ]
f l a m e)
[O 2 ] [% ]
2080
3080
m a x (T a d
2060 3075
5.5
2040 3070
2020 5 3065
1 1.5 2 2.5 3 1 1.5 2 2.5 3 1 1.5 2 2.5 3
mpil1 [mg] mpil1 [mg] mpil1 [mg]
(a) (b) (c)
Figure 91 : Variations de max(Tavg), [O2] et max(Tad flame) pour le test B
Banc
1300
Modèle
1200
NOx [ppm]
1100
1000
900
1 1.5 2 2.5 3
mpil1 [mg]
Figure 92 : Comparaison entre les émissions mesurées et calculées par le modèle, test B
III.5.3- Test C
Dans ce test, on souhaite séparer l’effet de max (^ ( ) des effets des deux autres paramètres. Pour
cela, on retient les conditions suivantes :
• N=1500 tr/min,
138
•
PME : environ 6 bars,
•
Taux d’EGR : fixé (22%)
•
Masse d’air enfermée fixée et masse totale injectée fixée, permettant de fixer [O2], et max(Tad
flame) dans ces conditions,
• Pression d’injection variable de 300 à 850 bars de manière à modifier max (Tavg),
• Autres paramètres d’injections fixés.
Les résultats sont présentés sur les figures suivantes :
1790 2780
7
[K ]
1780 2760
m a x (T a v g) [K ]
6.5
f la m e)
[O 2 ] [% ]
1770 2740
m a x (T a d
6
1760 2720
5.5
1750 2700
1740
300 400 500 600 700 800 900 300 400 500 600 700 800 900 300 400 500 600 700 800 900
Prail [bar] Prail [bars] Prail [bars]
Figure 93 : Variations de max(Tavg), [O2] et max(Tad flame) pour le test C
220
Banc
200 Modèle
180
NOx [ppm]
160
140
120
100
80
60
300 400 500 600 700 800 900
Prail [bars]
Figure 94 : Comparaison entre les émissions mesurées et calculées par le modèle, test C
avec une hausse des émissions de BC lorsque max(^ ( ) augmente à [O2] et max(^ 9
Les tendances d’évolution sont très voisines pour les émissions calculées et les émissions mesurées,
Un léger écart quantitatif apparait pour les valeurs les plus élevées de max(^ ( ).
) fixés.
III.5.4- Test D
Dans ce dernier test, on souhaite séparer l’effet de [O2] des effets des deux autres paramètres. Pour
cela, on retient les conditions suivantes :
• N=1500 tr/min,
• PME : environ 9 bars,
• Taux d’EGR : fixé (0%),
• Masse d’air enfermée fixée,
• Augmentation de la masse de carburant totale injectée de manière à réduire
[O2],Parallèlement, baisse de la pression d’injection de manière à maintenir constant
139
max(Tavg).
Les variations de ces deux paramètres d’injections sont données dans le tableau ci-après.
• Autres paramètres d’injections fixés.
Tableau 13 : Variations de mmain et Pinj pour le test D
∆7 #$ [mg]
N° point 1 2 3 4
∆L#$P [bar]
+1 +1.5 +2 +2.5
-155 -200 -240 -275
5
2100 3100
4.8
[K ]
m a x (T a v g) [K ]
2080 3080
f la m e)
[O 2 ] [% ]
4.6
m a x (T a d
2060 4.4 3060
4.2
2040 3040
4
1000
Banc
950 Modèle
900
NOx [ppm]
850
800
750
700
650
600
1 2 3 4
N° point [-]
Figure 96 : Comparaison entre les émissions mesurées et calculées par le modèle, test D
Les émissions de BC expérimentales et estimées présentent toutes les deux une réduction continue du
point 1 jusqu’au point 4 (cf. Figure 96). Un écart quantitatif systématique est observé dans ces
conditions.
140
III.6 – Analyse de sensibilité
III.6.1- Outils mathématiques utilisés pour l’analyse de sensibilité
Dans cette partie, une étude de sensibilité du modèle de BC est réalisée afin d’identifier les sources
principales d’erreur et de caractériser les incertitudes associées.
L’analyse probabiliste d’un modèle donné de sortie Y consiste à évaluer l’incertitude sur cette sortie
résultant des incertitudes sur les différentes variables d’entrée X ï caractérisées par des lois de
probabilité bien déterminées [145]. La sortie 5 est caractérisée par une loi de probabilité. Une loi de
probabilité est normalement définie par une densité de probabilité %s de la variable aléatoire 5 et une
fonction de répartition 's , sachant que :
I
's ±f) = L±5 Ö f) = 4 %s ±f)”f
2á
(3.21)
Avec : L±5 Ö f) la probabilité que 5 soit inférieure ou égale à f.
Un intervalle de confiance / ±5) doit être ensuite défini afin de déterminer la plage de variation de la
variable 5. Ceci est une image de l’incertitude résultante sur la variable de sortie. Dans cette étude, un
probabilité associée à la sortie 5. Pour la présente étude, on distingue la loi normale et log-normale
intervalle de confiance de 99.7% est considéré. L’expression de cet intervalle dépend de la loi de
±5): L’espérance de 5
1á
±5) = 4 f%s ±f)”f
2á
(3.23)
i±5): L’écart type de 5
i±5) = ò ±5 { ) − ±5){
Pour une loi log-normale : Y suit cette loi lorsque la fonction b = 5H±5)suit une loi normale
(3.24)
forme /±b) = •js − 3is ; js + 3is ž. L’intervalle de confiance pour 5 est donc de la forme :
/±5) = •Zc¬±js − 3is ) ; Zc¬±js + 3is )ž
De même, l’espérance de Y qui suit une loi log-normale peut être exprimée sous la
(3.25)
forme exponentielle:
i{
±5) = Zc¬ „j + …
2
(3.26)
L’intervalle de confiance en fonction de cette espérance devient :
is{ is{
/±5) = > ±5) Zc¬ „−3is − … ; ±5) Zc¬ „3is − …?
2 2
(3.27)
De plus, un indice de sensibilité qui permet d’évaluer la contribution de chacune des variables d’entrée
à la dispersion de la variable de sortie est aussi utilisé dans la présente étude. L’indice de Sobol du
premier ordre est adapté sous la forme suivante [146] :
141
i±5) − i±5|d# )
[# =
∑$lÞ}ˆi±5) − i±5|dl )’
(3.28)
Avec :
BC en fonction des incertitudes de mesure des paramètres moteur mesurés au banc d’essais.
• La première cherche à quantifier les incertitudes sur les paramètres d’entrée du modèle de
• La deuxième vise à relier l’incertitude sur les émissions de BC calculées aux incertitudes sur
Au final, cette étude cherche à relier l’incertitude sur les émissions de BC calculées par le modèle
les paramètres d’entrée du modèle.
- Le taux d’EGR,
- La masse d’air admis dans le cylindre,
- La pression d’admission en fin d’admission (début de la simulation),
- La masse totale de carburant injecté au cours du cycle,
- L’avance à l’injection (première injection effectuée au cours du cycle).
Le premier paramètre n’étant pas un paramètre mesuré directement, il convient dans un premier temps
de quantifier son incertitude en fonction des paramètres mesurés utilisés pour son calcul.
D’après la formule ci-dessus, le taux d’EGR est donc dépendant des paramètres suivants :
- La pression d’admission,
- La température d’admission,
- La masse d’air admise dans le cylindre,
- Le rendement volumétrique,
- La cylindrée.
Les dispersions sur les quatre premiers paramètres, qui proviennent des incertitudes des appareils de
mesure utilisés au banc moteur, sont supposées gaussiennes. L’incertitude sur la cylindrée est
supposée négligeable.
Dans le Tableau 14, on donne les incertitudes des capteurs (pour Qair, Padm, Tadm) et du rendement
volumétrique.
142
Les valeurs indiquées dans ce tableau correspondent à "3σ" avec σ l’écart type pour la loi normale de
rapport à la valeur moyenne ou autrement dit l’espérance E qui équivaut à la valeur expérimentale
probabilité associée à chacune des variables mises en jeu. Cette valeur exprime donc la dispersion par
réelle pour un point de fonctionnement stable. On fait le test de sensibilité pour 260 points de
fonctionnement stable définis dans le champ ISO du moteur 1. Le nombre de réalisations des variables
d’entrée est fixé à 3500.
Loi normale
250
Occurence
Loi normale
200
Occurence
| − }~ | | + }~
150
100
50
0
0 0.1 0.2 0.3 0.4
Taux d'EGR [-]
Figure 97 : Densité de probabilité du taux d’EGR estimé pour un point de fonctionnement de régime N = 2000 tr/min,
PME =8 bars
L’application de ce test sur tous les points de fonctionnement stables avec dilution par l’EGR a permis
de déterminer les plages de variation des taux estimés d’EGR pour plusieurs cas de fonctionnement
moteur. La Figure 98 montre les bornes supérieures et inférieures des taux d’EGR en comparaison
avec les valeurs moyennes nominales (droite bleue). Les résultats montrent que l’erreur d’estimation
143
0.6 Maximum
Minimum
0.2
-0.2
0 0.1 0.2 0.3 0.4 0.5
Taux d'EGR Nominal [-]
Figure 98 : Valeurs maximales et minimales pour l’estimation du taux d’EGR pour plusieurs points de fonctionnement.
En outre, les indices de sensibilité ont été calculés pour examiner la contribution de chacune des 4
variables d’entrée à l’incertitude du taux d’EGR. Les résultats sont représentés sur la Figure 99. Les
valeurs représentées sont les valeurs moyennes des indices obtenus pour tous les points de
fonctionnement testés.
0.7
Indice de Sensibilité [-]
0.6
0.5
0.4
0.3
0.2
0.1
0
Rend_vol Qair Padm Tadm
Figure 99 : Indices de sensibilité du taux d’EGR aux variables utilisées pour son estimation.
Il en résulte que l’erreur sur l’estimation du taux d’EGR provient principalement de l’incertitude sur la
masse d’air admis dans le cylindre.
144
III.6.2.2- Incertitudes sur les températures maximales max(Tad flame) et max(Tavg)
- Le taux d’EGR,
- La masse d’air admis dans le cylindre,
- La pression d’admission en fin d’admission (début de la simulation),
- La masse totale de carburant injecté au cours du cycle,
- L’avance à l’injection.
Les incertitudes de max(Tad flame) et max(Tavg) dépendent directement et indirectement des
incertitudes sur les paramètres listés précédemment :
• Directement car ces paramètres interviennent directement dans les bilans de masse et
d’énergie du découpage 2-zones ;
• Indirectement car ces paramètres interviennent également dans le calcul du taux de
combustion (modèle de Barba calibré tel que décrit au chapitre 2) et donc des températures des
deux zones, notamment celle de la zone de gaz brûlés.
Le Tableau 15 donne les dispersions adoptées ici pour chacun des cinq paramètres cités
précédemment. Pour le taux d’EGR, on s’appuie sur l’étude de sensibilité menée spécifiquement dans
la section précédente.
Tableau 15 : Dispersions pour les variables d’entrée du modèle de températures
Variable •|€• ylzc {z‚zb yƒlc„ …Ɔ
La dispersion sur les températures, pour 3500 réalisations pour un seul point de fonctionnement, est
représentée sur les Figure 100 et Figure 101. Des résultats similaires sont obtenus pour les autres
points de fonctionnement.
400
Occurence
Loi normale
300
Occurence
| − }~ | | + }~
200
100
0
2600 2700 2800 2900 3000
Tad flame [°K]
max
Figure 100 : Densité de probabilité de max(Tad flame) ; N = 1000 tr/min, PME =2 bars, EGR = 39%
145
300
Occurence
250 Loi normale
| − }~ | + }~
200
Occurence
|
150
100
50
0
1100 1200 1300 1400 1500
Tavg [K]
max
Figure 101 : Densité de probabilité de max(Tavg) ; N = 1000 tr/min, PME =2 bars, EGR = 39%
La dispersion d’estimation des deux températures suit une loi gaussienne. L’erreur maximale relative
(cas le plus pessimiste) de max(Tad flame) est de 4.2% tandis que celle de max(Tavg) est de 10%.
Ces valeurs montrent la sensibilité importante des modèles de températures aux données d’entrées
(données mesurées au banc d’essais) et au modèle de taux de combustion.
On caractérise maintenant la sensibilité du modèle de BC aux paramètres d’entrée [O2], max (Tavg),
max(Tad flame). Les incertitudes retenues sont données dans le tableau suivant :
Comme le montre le Tableau 16, une plage de variation de 10K a été retenue pour les deux
températures.
Tableau 16 : Dispersions des variables d’entrée du modèle de ÅÆÇ
Variable olÇ ±klép ) olDZklm inlod ) [ÆÙ ž
3i 10 K 10 K 1%
146
300
Occurence
250 Loi normale
Occurence [-]
200
| − }~ | | + }~
150
100
50
0
700 800 900 1000 1100 1200
NOx [ppm]
Figure 102 : Densité de probabilité pour l’estimation des émissions de ÅÆÇ ; N = 2250 tr/min, PME =20 bars.
La variation obtenue suit une loi normale avec une erreur absolue maximale de 3i = 13.4% de la
valeur de BC nominale.
Ce test a été répété pour 260 points de fonctionnement stables ; les résultats sont présentés sur la
Ces résultats sont à comparer à la précision de +/- 20 % obtenue lors de la validation du présent
modèle que ce soit sur les points de champ ISO ou bien lors des balayages ou essais spécifiques.
La précision de +/- 20% obtenue lors des comparaisons entre valeurs estimées par le modèle de BC et
les valeurs mesurées au banc d’essais paraît donc satisfaisante, compte tenu des incertitudes liées aux
mesures des paramètres moteurs sur banc d’essais et celles propres au modèle de taux de combustion.
2000
Maximum
Minimum
Moyenne
NOx Estimé [ppm]
1500
+/- 30%
1000
500
0
0 500 1000 1500
NOx Nominal [ppm]
Figure 103 : Valeurs maximales et minimales de l’estimation de ÅÆÇ pour plusieurs points de fonctionnement moteur du
fait de la dispersion probable des variables d’entrée.
147
Pour améliorer la précision du modèle d’émissions de BC , il conviendrait donc tout d’abord de
réduire les imprécisions liées :
l’estimation des émissions de BC . On donne sur la figure qui suit les indices de sensibilité moyennés
Dans un second temps, on détermine les contributions des trois paramètres d’entrée du modèle sur
0.5
Indice de Sensibilité [-]
0.4
0.3
0.2
0.1
0
Tavg Tad flame O2
Figure 104 : Indices de sensibilité moyens des variables d’entrée du modèle de ÅÆÇ
La Figure 104 montre que l’estimation des émissions de BC est plus sensible aux incertitudes sur les
températures max(Tavg) et max(Tad flame) qu’à celle sur [O2].
148
Ce chapitre a présenté un nouveau modèle d’émissions de NOx semi-empirique. Les trois paramètres
d’entrée du modèle retenus sont : la valeur maximale atteinte par la température moyenne des gaz
dans le cylindre au cours du cycle notée max(Tavg), la valeur maximale atteinte par la température de
la zone de gaz brûlés notée max(Tad flame), et la concentration d’oxygène excédentaire dans la
chambre de combustion (concentration d’oxygène après la fin de la combustion) notée [O2]. Le calcul
des émissions de NOx est fait à l’issue du cycle et ne fait pas appel à des équations différentielles
supplémentaires par rapport au modèle de combustion, hormis les équations de bilans pour le modèle
de températures « 2-zones ». Une formulation empirique par cartographie 2D a été choisie pour relier
directement les émissions de NOx aux paramètres d’entrée.
Le modèle a été identifié pour des points d’apprentissage ; une comparaison des résultats du modèle à
des résultats de mesure au banc d’essais pour le moteur 1 (n’ayant pas servi à la calibration du
modèle) montre un bon accord entre calculs et expériences ; aussi pour 97% des points testés le
modèle conduit à une erreur maximale de +/- 20% d’erreur ; pour 88% l’erreur est comprise entre
+/- 10%. L’erreur relative est la même pour les faibles et pour les fortes valeurs de NOx.
• d’une part caractériser l’importance des incertitudes liées à la mesure des paramètres
moteurs au banc d’essais et au modèle de taux de dégagement de chaleur (modèle de Barba)
sur l’estimation des paramètres « physiques » d’entrée du modèle de NOx,
• d’autre part caractériser l’influence des incertitudes des paramètres d’entrée sur
l’incertitude finale sur l’estimation des émissions de NOx.
Ces études de sensibilité ont montré que la dispersion sur l’estimation des émissions de NOx
engendrée par la dispersion sur les paramètres d’entrée peut aller jusqu’à +/- 30%. La précision du
modèle d’émissions de NOx est donc jugée bonne, par comparaison à l’imprécision sur l’estimation
des paramètres d’entrée du modèle qui est à attribuer aux incertitudes expérimentales et au modèle de
taux de combustion.
Dans le chapitre 5, on discutera de l’application du modèle à un autre moteur (moteur 2), sans
nouvelle calibration (modèle calibré sur le moteur 1) puis avec une calibration spécifique. On
étudiera aussi l’impact du nombre de points de fonctionnement utilisés pour la calibration du modèle.
Finalement, on présentera des résultats de mesure et du modèle à des variations mono-paramétrées
tels que des variations du taux d’EGR, des paramètres d’admission et d’injection, ou des températures
des fluides (huile et liquide de refroidissement) traduisant l’état thermique du moteur.
149
150
Chapitre IV : Modèle de Suie
Ce chapitre présente le développement d’un nouveau modèle d’émissions de suie pour les moteurs
Diesel. L’approche retenue est une approche semi-empirique : il s’agit de relier les émissions de suie
à des paramètres de combustion « physiques » dont l’influence est jugée importante. Les valeurs de
suie mesurées sur banc moteurs pour le moteur 1 sont utilisées pour construire le modèle et identifier
les paramètres « physiques » d’entée du modèle. Ce chapitre se décompose de la manière suivante :
Dans une première partie, on décrit le principe général du modèle de suie basé sur la phénoménologie
d’Oppenauer et al. [147] qui lie la formation des particules au taux de dégagement de chaleur.
Dans une deuxième partie, on identifie les paramètres « physiques » qui servent de paramètres
d’entrée du modèle de suie, en séparant ceux relatifs à la production de ceux intervenant dans
l’oxydation.
La troisième partie propose une loi empirique reliant les émissions de suie aux paramètres ainsi
identifiés. Deux approches différentes sont proposées : une première basée sur une cartographie, une
deuxième basée sur une relation analytique.
La quatrième partie compare les résultats du modèle aux émissions mesurées sur banc d’essais
moteurs, pour les points dits d’ « apprentissage » du modèle et pour les points dits de « validation ».
Dans une dernière partie, on présente des études de sensibilité. La première étude de sensibilité
caractérise l’importance des incertitudes liées à la mesure des paramètres moteurs au banc d’essais et
au modèle de taux de dégagement de chaleur (modèle de Barba) sur l’estimation des paramètres
« physiques » d’entrée du modèle de suie. La deuxième partie vise à caractériser les incertitudes
finales sur l’estimation des émissions de suie par le modèle.
151
Chapitre IV : Modèle de Suie
Il s’agit donc dans un premier temps d’identifier ces paramètres, puis d’établir une relation empirique
entre ces paramètres et les émissions de suie. Pour ce faire, on s’inspire de la phénoménologie de
production de suie proposée par Oppenauer et al. [147] (cf. Figure 105).
Figure 105 : Schéma descriptif des régions de formation de suie d’après la phénoménologie d’Oppenauer [147]
D’après Oppenauer, le taux de formation instantané de formation de suie peut être relié au taux de
dégagement de chaleur instantané ; trois phases essentielles sont distinguées :
L’utilisation de l’approche de Barba pour estimer le taux de dégagement de chaleur est cohérente avec
cette description de la production des suies. En effet, les trois paramètres physiques mentionnés
précédemment sont calculés par le modèle de Barba.
152
Chapitre IV : Modèle de Suie
Trois phases distinctes sont définies à partir du taux de combustion pour distinguer les zones des taux
de formation de suie faible et élevé (cf. Figure 106).
Figure 106 : Phases de formation de suie sur le diagramme de taux de dégagement de chaleur
La première phase nommée PI concerne la phase de combustion de pré-mélange. Elle est caractérisée
par un faible taux de formation de suie, du fait du délai d’inflammation élevé permettant la formation
d’un mélange air-carburant dont la richesse est insuffisamment élevée pour produire des suies en forte
quantité.
Le début de la combustion de diffusion (phase PII) conduit également à un faible taux de formation de
suie : bien que caractérisée par un délai d’inflammation court, la turbulence élevée permet un bon
brassage entre l’air (à ce stade en fort excès) et le carburant.
La dernière phase (PIII) débute approximativement autour du pic du taux de dégagement de chaleur.
Le taux de production de suies est élevé du fait :
On choisit tout d’abord d’identifier une valeur nominale pour la suie formée dans la chambre de
combustion. D’après l’analyse phénoménologique présentée précédemment, le processus de formation
de suie peut être relié à la phase de combustion de diffusion qui inclut les deux phases PII et PIII du
taux de dégagement de chaleur. Aussi, on propose une corrélation empirique pour estimer une quantité
de suie nominale en fonction de la masse du carburant consommé durant la phase de diffusion :
153
Chapitre IV : Modèle de Suie
[ÕÕ]$ = 0 ∗ ˆ7" ’
$
.,9# (4.2)
Avec:
paramètre d’entrée pour la formation des suies la durée de combustion ∆ " . définie comme la
La détermination de la durée exacte de formation des suies est très complexe. Aussi, on retient comme
différence entre les angles vilebrequin qui correspondent respectivement à 5% et 95% de la masse
totale du carburant brûlé (représentée par les lignes pointillées sur la Figure 107) :
∆ " . = 95 − 05 (4.3)
Ce paramètre caractérise, entre autre, la durée pendant laquelle les températures sont élevées,
condition nécessaire à la pyrolyse du carburant puis la formation de particules à partir des précurseurs
de suie.
Ce paramètre permet, du moins en partie, de traduire l’impact de certains paramètres d’injection sur
les émissions finales de suie. Par exemple, la réduction de la pression d’injection conduit généralement
à une augmentation des émissions de suies. Ceci sera pris en compte ici par une augmentation de la
durée de combustion.
La Figure 108 représente l’évolution des émissions de suie mesurées au banc d’essais en fonction de la
durée de combustion pour quatre iso-régimes. Cette figure semble bien indiquer l’importance de la
durée de combustion sur les émissions de suie, et la dépendance croissante entre ce paramètre et les
émissions.
154
Chapitre IV : Modèle de Suie
0.025
2250 tr/min
3250 tr/min
0.02 3500 tr/min
4000 tr/min
Suie [mg/cyc]
0.015
0.01
0.005
0
35 40 45 50 55 60 65
CA95 - CA05 [° vil]
Figure 108 : Evolution des émissions de suie mesurées pour 4 iso-régimes en fonction de la durée de combustion
La littérature a montré l’impact du mélange entre l’air et le carburant sur la formation des suies.
Pendant la phase diffusive, un paramètre « macroscopique » caractérisant la vitesse de mélange est la
fréquence de mélange. La même formulation que pour le modèle de taux de combustion (Barba et al.
[70]) est retenue :
1 òC‡ . VMP { + C\ . k
fre = =
τAB å
V
Zϕ. A^_
þ
n¤
(4.4)
Avec :
Un faible temps caractéristique aboutit d’une part à un meilleur mélange carburant-air, et par
conséquent à des faibles taux de formation de suie. Mais, il aboutit en même temps à des taux
d’oxydation plus élevés.
L’objectif étant de retenir une seule valeur du taux de turbulence au cours du cycle, il est nécessaire de
définir un instant où celui-ci caractérise au mieux le mélange entre l’air et le carburant pendant une
phase clef de production de suie. Comme déjà indiqué ci-dessus, les taux élevés de formation de suie
sont généralement associés à la combustion de diffusion, en particulier à la phase III d’après la
phénoménologie d’Oppenauer [147]. Le début de cette phase est estimé, d’après la Figure 106, par le
155
Chapitre IV : Modèle de Suie
pic du taux de dégagement de chaleur. Tout comme Cebi et al. [140], la valeur du temps
de suie. Il peut être exprimé en fonction de l’énergie chimique disponible S ( # (liée au carburant
caractéristique (inverse de la fréquence) à cet instant est retenue comme paramètre d’entrée du modèle
”S 1
±]) = .S ±])
”] p"T ±]) ( # (4.5)
Avec :
2750rpm/10b
1200
Qavail
1000
Q
Qfuel
800
Q (J)
600
400
200
0
300 350 400 450
Cranckshaft Angle [CAD]
Figure 109: Chaleur dégagée dans la chambre de combustion durant un cycle moteur
(2 injections pilote + 1 injection principale)
Le temps caractéristique du mélange est ainsi calculé puis comparé avec le taux de dégagement de
chaleur comme le montre la Figure 110:
156
Chapitre IV : Modèle de Suie
On trace sur la Figure 111 les évolutions des émissions de suie en fonction de ce temps caractéristique
pour quatre iso-régimes.
0.045
2000 tr/min
0.04
2500 tr/min
0.035 3250 tr/min
4000 tr/min
0.03
Suie [mg/cyc]
0.025
0.02
0.015
0.01
0.005
0
0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75
τ [ms]
char
Figure 111 : Emissions de suie en fonction du temps caractéristique de mélange pour 4 iso-régimes
La figure semble bien indiquer qu’une augmentation du temps caractéristique du mélange conduit à
une hausse des émissions de suie.
157
Chapitre IV : Modèle de Suie
La revue bibliographique sur l’oxydation des suies a montré que sa cinétique est étroitement liée aux
paramètres physiques suivants : la température, la concentration d’oxygène, la pression et le temps de
séjour dans la zone d’oxydation.
•
Pendant l’injection : à la périphérie du spray, côté pauvre de la flamme de diffusion,
•
Après la fin de l’injection : dans les gaz brûlés au fur et à mesure du mélange avec l’oxygène,
tant que la température y est encore suffisamment élevée.
On détaille ci-après les paramètres « physiques » choisis pour décrire la phase d’oxydation de suie.
Comme annoncé précédemment, un premier paramètre qui gouverne l’oxydation des suies est la
température des gaz brûlés. Il convient de retenir au cours du cycle la valeur de température qui parait
la plus représentative. On étudie les émissions de suie mesurées au banc (moteur 1) en fonction de la
température adiabatique de flamme prise à différents instants, correspondant respectivement à 50%
(CA50), 70% (CA70), 80% (CA80) et 90% (CA90) de la masse de carburant brûlée. Ceci est réalisé
pour différents iso-régimes ; on donne sur la figure suivante un exemple à 2750tr/min sans EGR.
0.01 0.01
Suie [mg/cyc]
Suie [mg/cyc]
0.008 0.008
0.006 0.006
0.004 0.004
0.002 0.002
0 0
2960 2980 3000 3020 3040 3060 3080 2920 2940 2960 2980 3000 3020 3040
T ad flame (CA50) [K] T ad flame (CA70) [K]
(a) (b)
0.012 0.012
0.01 0.01
0.008 0.008
Suie [mg/cyc]
Suie [mg/cyc]
0.006 0.006
0.004 0.004
0.002 0.002
0 0
2800 2820 2840 2860 2880 2900 2920 2940 2320 2340 2360 2380 2400 2420 2440 2460
T ad flame (CA80) [K] T ad flame (CA90) [K]
158
Chapitre IV : Modèle de Suie
(c) (d)
Figure 112 : Evolution des émissions de suie mesurées au banc d’essais (moteur 1) en fonction de la température
adiabatique de flamme prise à différents instants de la combustion (CA50, CA70, CA80, CA90)
On constate dans tous les cas une décroissance des émissions de suie en fonction de la température
adiabatique de flamme, quelle que soit l’instant du cycle où elle est calculée. La valeur qui semble
donner de meilleurs résultats est la valeur au CA80.
La Figure 113 montre l’évolution des émissions de suie en fonction de ^ 9 ± 80) pour
différents iso-régimes sans EGR. La même tendance décroissante est observée pour les quatre iso-
régimes.
0.018
2250 tr/min
0.016 2750 tr/min
3250 tr/min
0.014 3750 tr/min
0.012
Suie [mg/cyc]
0.01
0.008
0.006
0.004
0.002
0
2780 2800 2820 2840 2860 2880 2900 2920 2940 2960
T ad flame (CA80) [K]
Figure 113 : Emissions de suie en fonction de la température adiabatique de flamme pour CA80
pour 4 champs iso-régimes sans EGR
L’importance de la concentration en oxygène sur le processus d’oxydation des suies a été décrite dans
la revue de la littérature (chapitre 1). Plus précisément, l’oxydation des suies est dépendante de la
concentration locale en oxygène dans la zone d’oxydation. L’oxydation est partielle voire impossible
s’il n’y a pas d’oxygène en excès (lambda global supérieur à 1) dans la chambre de combustion.
que définie dans le chapitre 3 pour le modèle d’émissions de BC . Ceci permet par ailleurs d’assurer
On choisit donc de prendre comme paramètre la concentration d’oxygène en excès, notée [O2], telle
La variation des émissions de suie mesurées sur le banc d’essais moteur en fonction de [O2] est
représentée sur la Figure 114 pour plusieurs iso-régimes sans EGR. On observe bien une tendance
décroissante des émissions de suie avec l’augmentation de [O2].
159
Chapitre IV : Modèle de Suie
Suie [mg/cyc]
0.01
0.005
0
0 5 10 15 20
Concentration d'O 2 [%]
Figure 114 : Emissions de suie en fonction de [O2] pour 4 champs iso-régimes sans EGR
En revanche, si on représente l’évolution des émissions de suie pour les balayages iso-régimes avec et
sans EGR en fonction de [O2], la relation est bien moins évidente.
La Figure 115.a montre cette évolution pour l’iso-régime 1750 tr/min qui inclut des points avec EGR
(en rouge). Les points sans EGR sont, comme montré précédemment, contenus sur une enveloppe
relativement étroite, décroissante avec [O2]. Les points avec EGR sont bien plus dispersés.
D’autre part, si on observe l’évolution des émissions de suie pour le même iso-régime en fonction de
la température adiabatique de flamme pour CA80 (cf. Figure 115.b), la dispersion pour les points avec
EGR est encore plus importante.
Il est à noter qu’en général les points avec EGR sont des points avec Tad flame (CA80) plus faibles
mais [O2] plus élevées. Une analyse plus détaillée point par point semble indiquer que :
• A iso [O2], une baisse de Tad flame (CA80) conduit à une augmentation des émissions de
suie,
• A iso Tad flame (CA80), une baisse de [O2] conduit également à une augmentation des
émissions de suie.
Pour tenter de mieux visualiser l’effet global de Tad flame (CA80) et [O2], on construit la fonction f
suivante :
Pour a = 1 et b = 0.22, on obtient l’allure exposée sur la Figure 115.c. L’allure obtenue est beaucoup
plus claire que celles obtenues sur les Figure 115.a et Figure 115.b. L’expression établie ici en
fonction de ces deux paramètres ne sert pas directement à modéliser les émissions de suie, mais juste à
montrer que ces deux paramètres affectent ensemble le processus d’oxydation de suie, et peuvent
160
Chapitre IV : Modèle de Suie
0.04
Sans EGR
Avec EGR
0.03
Suie [mg/cyc]
0.02
0.01
0
0 5 10 15 20
Concentration d'O2 [%]
(a)
0.04
Sans EGR
Avec EGR
0.03
Suie [mg/cyc]
0.02
0.01
0
2100 2200 2300 2400 2500 2600 2700 2800
Tad flame(CA80) [K]
(b)
0.04
Sans EGR
Avec EGR
0.03
Suie [mg/cyc]
0.02
0.01
0
3000 3500 4000 4500 5000 5500 6000
f(T ad flame(CA80),O2) [-]
(c)
(a) [O2] ; (b) klm inlod ±ˆ‰Š‹) ; (c) f([O2], klm inlod ±ˆ‰Š‹))
Figure 115 : Emissions de suie mesurées pour le champ iso-régime de 1750 tr/min avec et sans EGR en fonction de :
Un autre exemple est représenté pour l’iso-régime de 1500 tr/min sur les Figure 116.a, Figure 116.b et
Figure 116.c. Pour les mêmes valeurs de a et b, on obtient l’allure de suie de la Figure 116.c.
161
Chapitre IV : Modèle de Suie
0.04
Sans EGR
Avec EGR
0.03
Suie [mg/cyc]
0.02
0.01
0
0 5 10 15 20
Concentration d'O2 [%]
(a)
0.04
Sans EGR
Avec EGR
0.03
Suie [mg/cyc]
0.02
0.01
0
2100 2200 2300 2400 2500 2600 2700 2800
Tad flame(CA80) [K]
(b)
0.04
Sans EGR
Avec EGR
0.03
Suie [mg/cyc]
0.02
0.01
0
3000 3500 4000 4500 5000 5500
f(T ad flame(CA80),O2) [-]
(c)
(a) [O2] ; (b) klm inlod ±ˆ‰Š‹) ; (c) f([O2], klm inlod ±ˆ‰Š‹))
Figure 116 : Emissions de suie mesurées pour le champ iso-régime de 1500 tr/min avec et sans EGR en fonction de :
162
Chapitre IV : Modèle de Suie
Cependant, ces deux paramètres ne suffisent pas à eux seuls à caractériser les émissions de suie. En
De plus, l’évolution de suie n’est pas tout à fait décroissante. Si on étudie par exemple les points sans
EGR pour l’iso-régime de 1750 tr/min (cf. Figure 117.a) on observe une petite augmentation de suie
pour des valeurs élevées de [O2]. Ceci n’est pas visible sur la Figure 116.b (points en bleu) en fonction
de Tad flame (CA80).
Cette augmentation des émissions semble par contre liée aux paramètres de formation de suie qui sont
le temps caractéristique de mélange et la durée de combustion CA95-CA050. Les émissions de suie en
fonction de ces deux paramètres sont représentées sur la Figure 117 pour l’iso-régime 1750 tr/min sans
EGR et sur la Figure 118 pour l’iso-régime 2750 tr/min sans EGR. On distingue sur les figures les
points pour lesquels [O2] est élevée des points pour lesquels [O2] est faible.
0.03
[O2] <12%
0.025 [O2] >12%
Suie [mg/cyc]
0.02
0.015
0.01
0.005
0
0 5 10 15 20
Concentration d'O2 [%]
(a)
0.03
[O2] < 12 %
[O2] >12%
0.025
Suie [mg/cyc]
0.02
0.015
0.01
0.005
0
0.68 0.7 0.72 0.74 0.76
τ [ms]
char
(b)
163
Chapitre IV : Modèle de Suie
0.03
[O2] <12%
0.025 [O2] >12%
Suie [mg/cyc]
0.02
0.015
0.01
0.005
0
40 42 44 46 48 50 52 54
CA95 - CA05 [°vil]
(c)
Figure 117 : Emissions de suie pour l’iso-régime de 1750 tr/min sans EGR
0.012
[O2] <11%
0.01 [O2] >11%
Suie [mg/cyc]
0.008
0.006
0.004
0.002
0
4 6 8 10 12 14 16
Concentration d'O2 [%]
(a)
0.012
[O2] <11%
0.01 [O2] >11%
Suie [mg/cyc]
0.008
0.006
0.004
0.002
0
0.53 0.54 0.55 0.56 0.57 0.58
τ [ms]
char
164
Chapitre IV : Modèle de Suie
(b)
0.012
[O2] <11%
[O2] >11%
0.01
0.006
0.004
0.002
0
38 40 42 44 46 48 50 52
CA95 - CA05 [°vil]
(c)
Figure 118 : Emissions de suie pour l’iso-régime de 2750 tr/min sans EGR
Aussi, la hausse des émissions de suie pour certains points de fonctionnement pour lesquels [O2] est
élevée semble liée à une augmentation du temps caractéristique de mélange et de la durée de
combustion qui pourraient augmenter la formation des suies.
La bibliographie a montré que les émissions de suie dépendent également de la pression des gaz dans
le cylindre. On retient dans le modèle la valeur maximale de pression au cours du cycle. Comme on le
verra plus loin, il semble que la pression a plus d’impact sur l’oxydation des suies que sur leur
production.
Comme dernier paramètre d’influence sur l’oxydation de suie, on retient le temps de séjour des gaz à
haute température pendant la phase d’oxydation de suie. On retient le même paramètre pour
caractériser ce temps de séjour que dans le modèle de Finesso [138], à savoir la durée entre les instants
où 70% et 95% de carburant est brûle :
∆ = 95 − 70 (4.8)
165
Chapitre IV : Modèle de Suie
A noter qu’il est possible que ce paramètre puisse capturer l’effet de la post-injection sur l’oxydation
des suies.
Cette approche a été retenue dans le chapitre précédent pour l’estimation des émissions de BC . Le
nombre de paramètres d’entrée pour le modèle de suies étant plus important, il est plus difficile de
construire une cartographie donnant les émissions en fonction de l’ensemble des paramètres d’entrée.
• Dans un premier temps, on tente d’estimer la quantité de suie formée ; on adopte la formule
= [K8Z$ ∗ p"T ∗ L.
(4.9)
Avec et 7 des coefficients à calibrer
• Dans un deuxième temps, on caractérise la quantité de suie oxydée par l’indice de suie oxydée
On écrit que cet indice est relié à une fonction empirique f qui dépend de Tad flame(CA80) et
[O2] :
166
Chapitre IV : Modèle de Suie
Cette fonction est très ressemblante à celle utilisée dans le modèle d’émissions de BC .
Les coefficients a, b, et c sont calibrés de manière à avoir une variation monotone croissante de
l’indice d’oxydation en fonction de f pour les différents régimes de rotation. La cartographie finale de
l’indice d’oxydation en fonction de f et du régime est représentée sur la Figure 120.
Un résumé de la procédure de calcul des émissions de suie en fonction des paramètres d’entrée est
présenté sur la Figure 121 :
La difficulté de cette approche réside dans la construction d’une cartographie « lisse » en parallèle de
la calibration des coefficients a, b, et c.
167
Chapitre IV : Modèle de Suie
De plus, cette approche tente de séparer les phases de formation et d’oxydation des suies dans la
chambre de combustion. Des résultats de mesure instantanée de la concentration de suie dans la
chambre de combustion n’étant pas disponibles pour cette étude, en particulier pour le moteur étudié,
il est impossible dans ce cas de valider séparément ces deux phases.
Dans la suite, on propose une approche analytique qui lie directement, sans utilisation de
cartographies, les paramètres d’entrée du modèle aux émissions de suie.
Comme le montre le diagramme de la Figure 122, la cartographie est remplacée par des coefficients
représentant les deux phénomènes d’oxydation et de formation.
La formule générale pour l’estimation de la suie est de la forme (cf. Figure 123) :
168
Chapitre IV : Modèle de Suie
Plus précisément, la suie finale est donnée par la formule empirique suivante :
B
[ÕÕ] = [ÕÕ]$ ∗„ … ∗ ∗
B
(4.14)
∆ È
p"T Q
= •„ … ∗„ … Ž o •0; 1ž
" .
∆ " .• ; p"T
(4.15)
• ;
^ ± 80) È
•C{ž Q
= >„1 + … ∗ „1 + … …
9
^ 9 ± 80) •C{ ž
L þ
∆
∗ „1 + … ∗ „1 + … ? o •0; 1ž
(4.16)
L • ;
∆ • ;
Ces coefficients sont conçus de sorte qu’ils soient toujours compris entre 0 et 1. Les valeurs de
référence sont choisies à partir des limites de chaque paramètre mis en jeu.
Pour la formule d’oxydation, la forme est différente de celle pour la formation. Elle est égale au
produit des termes 1 + ¡ avec Õc# Ñ 0 représentant une relation inversement proportionnelle
Š
,Š
,• ;
Les valeurs des coefficients de calibration sont données dans le tableau ci-dessous :
169
Chapitre IV : Modèle de Suie
” 7
%} Ò 0
0.82
•– 3.92
%{ Ò 0 0.86
••— Õc} Ñ 0
Õc{ Ñ 0
-18.71
Õcƒ Ñ 0
-4.53
Õc‡ Ñ 0
-2.92
-8.124
On remarque que les coefficients de formation sont positifs tandis que ceux d’oxydation sont négatifs.
Un premier test consiste à comparer les émissions de suie estimées par le modèle à celles mesurées au
banc d’essais moteurs pour les points de fonctionnement utilisés pour la calibration du modèle. Le
nombre de points est supérieur à 500, sont obtenus pour six différents champs iso-régimes, avec et
sans EGR ; le régime de rotation varie entre 1000 et 5000 tr/min et la PME entre 0.5 et 25 bars.
de corrélation Y { de 0,96 pour le modèle analytique et de 0.99 avec l’approche par cartographie. Ceci
Le modèle donne de bons résultats pour les points d’apprentissage (cf. Figure 124), avec un coefficient
est rassurant mais pas suffisant. De plus, comme on pouvait s’en douter, l’approche par cartographie
apporte de meilleurs résultats, les erreurs provenant uniquement des interpolations entre les points.
0.05
Modèle
Banc
0.04
Suie Estim ée [m g/cy c]
0.03
0.02
0.01
0
0 0.01 0.02 0.03 0.04 0.05
Suie Mesurée [mg/cyc]
170
Chapitre IV : Modèle de Suie
(a)
0.05
Modèle
Banc
0.04
Suie Estim ée [m g/cyc]
0.03
0.02
0.01
0
0 0.01 0.02 0.03 0.04 0.05
Suie Mesurée [mg/cyc]
(b)
Figure 124 : Comparaison entre les émissions de suie mesurées et celles estimées pour les points d’apprentissage :
(a) Approche par cartographie ; (b) Formule analytique
Il convient maintenant de comparer les résultats du modèle à des mesures, pour des points dits de
« validation » n’ayant pas servi à la calibration du modèle, pour le moteur 1. Ceci est présenté sur la
Figure 125, pour les deux approches par cartographie et analytique.
Les résultats sont très satisfaisants : le coefficient de corrélation R2 pour l’approche analytique est de
0.96, et de 0.97 pour l’approche par cartographie.
171
Chapitre IV : Modèle de Suie
0.03
Modèle
Banc
0.025
S u ie E s tim é e [m g /c y c ]
0.02
0.015
0.01
0.005
0
0 0.005 0.01 0.015 0.02 0.025 0.03
Suie Mesurée [mg/cyc]
(a)
0.03
Modèle
Banc
0.025
S u ie E stim é e [m g /c y c ]
0.02
0.015
0.01
0.005
0
0 0.005 0.01 0.015 0.02 0.025 0.03
Suie Mesurée [mg/cyc]
(b)
Figure 125 : Comparaison entre les émissions de suie mesurées et celles estimées pour les points d’apprentissage :
(a) Approche par cartographie ; (b) Formule analytique
Contrairement aux points d’apprentissage, la précision du modèle avec les deux approches est très
voisine. Le modèle analytique est retenu pour la suite, car plus simple à calibrer et à utiliser.
172
Chapitre IV : Modèle de Suie
On présente dans cette partie des comparaisons entre valeurs de suie estimées par le modèle et valeurs
mesurées au banc d’essais pour des variations mono-paramétrées sur le moteur 1. Les résultats sont
présentés sur les figures ci-après.
1250 RPM / 11 bars -3 1750 RPM / 20 bars
x 10
4
0.012 Model Model
Experimental 3.5 Experimental
0.01
3
S oo t [m g/cy c]
S o o t [m g /c y c ]
0.008 2.5
0.006 2
1.5
0.004
1
0.002
0.5
0 0
2.5 3 3.5 4 4.5 1 1.5 2 2.5 3
Pilot Fuel Injection [mg] Pilot Fuel Injection [mg]
(a) (b)
1750 RPM / 25 bars -3 2000 RPM / 23 bars
x 10
Model 7
0.06 Experimental Model
6 Experimental
0.05
5
Soot [mg/cyc]
Soot [m g/cyc]
0.04
4
0.03
3
0.02 2
0.01 1
0 0
1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 1 1.5 2 2.5 3 3.5
Pilot Fuel Injection [mg] Pilot Fuel Injection [mg]
(c) (d)
-3
x 10 2750 RPM / 21 bars
4 Model
Experimental
3.5
3
Soot [m g/cyc]
2.5
1.5
0.5
0
1 1.5 2 2.5 3
Pilot Fuel Injection [mg]
(e)
173
Chapitre IV : Modèle de Suie
Figure 126 : Résultats de mesure et du modèle lors de la variation de la masse pilote pour différents iso-régimes
Soot [mg/cyc]
0.03
0.02
0.01
0
0 200 400 600 800 1000
Turbine Outlet Pressure [mbars]
Figure 127 : Résultats de mesure et du modèle lors de la variation de la contre-pression échappement, N = 1750tr/min
0.025
0.01
0.02
0.015
0.01 0.005
0.005
0 0
305 310 315 320 325 330 335 310 320 330 340 350
Intake Manifold Temperature [K] Intake Manifold Temperature [K]
(a) (b)
Figure 128 : Résultats de mesure et du modèle lors de la variation de la température d’admission pour différents iso-
régimes
174
Chapitre IV : Modèle de Suie
Model
0.025
Experimental
0.02
Soot [m g/cyc]
0.015
0.01
0.005
0
2450 2500 2550 2600 2650 2700
Intake Manifold Pressure [mbars]
Figure 129 : Résultats de mesure et du modèle lors de la variation de la pression d’admission, N = 1750tr/min
Dans la plupart des cas, le modèle capture bien les effets des différents paramètres sur les émissions de
suie. Des écarts quantitatifs sont parfois observés.
Il convient d’analyser plus en détails les sources d’erreur ; ceci fait l’objet de la section suivante.
On étudie d’abord les incertitudes sur les entrées du modèle de suie. On étudie ensuite l’incertitude
finale sur l’estimation des suies par le modèle.
On distingue les paramètres intervenant dans l’estimation de la formation des suies de ceux
intervenants dans l’oxydation.
Tout comme pour le modèle d’émissions de BC , cinq sources d’erreur sont identifiées :
b- La durée de combustion.
- Le taux d’EGR,
- La masse d’air admis dans le cylindre,
- La pression d’admission en fin d’admission (début de la simulation),
- La masse totale de carburant injecté au cours du cycle,
- L’avance à l’injection (première injection effectuée au cours du cycle).
De manière indirecte, la présente analyse inclut les effets de l’incertitude relative au modèle de taux de
combustion.
175
Chapitre IV : Modèle de Suie
On réalise 3500 simulations en modifiant les valeurs des paramètres d’entrée dans les plages données
dans le tableau précédent.
a- Fréquence de mélange :
Ce paramètre reflète la turbulence générée par l’écoulement d’air pendant l’admission, le swirl, le
squish, et l’injection du carburant et la combustion. La densité de probabilité obtenue pour le temps
caractéristique de mélange pour un point de fonctionnement stable (N=1000 tr/min, PME = 2 bars) est
représentée sur la Figure 130.
La dispersion d’estimation suit une loi log-normale. L’intervalle de confiance correspondant à 99,7 %
est alors de la forme :
is{ is{
/±5) = > ±5) Zc¬ „−3is − … ; ±5) Zc¬ „3is − …?
2 2
(4.17)
Avec σu l’écart type de ln ±Y).
D’après la formule mis en place de l’intervalle de confiance, l’erreur minimale obtenue exp ²−3σu −
³ est égale à 16 % de la valeur nominale de référence de τAB å , tandis que l’erreur maximale
™Q
{
exp ²3σu − ³
™Qš
{
est 18.4 %.
250
Occurence Estimée
Loi Log-normale
200
Occurrence [-]
150
50
0
0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7
τ [ms]
char
Figure 130 : Densité de probabilité du temps caractéristique de mélange, N = 1000 tr/min, PME =2 bars, EGR = 39%
b- CA95-CA05 :
Le deuxième paramètre étudié est la durée de combustion CA95-CA05. D’après la Figure 131, la
dispersion d’estimation de cette variable suit la loi normale avec une erreur absolue de 3.5
°vilebrequin.
176
Chapitre IV : Modèle de Suie
350
Occurence Estimée
Loi Normale
300
200
| − }~ | | + }~
150
100
50
0
26 28 30 32 34 36 38 40
CA95-CA05 [°vil]
Figure 131 : Densité de probabilité de la durée de combustion, N = 1000 tr/min, PME =2 bars, EGR = 39%
Concernant l’oxydation des suies, on étudie ici la dispersion des trois variables suivantes :
250
Occurence estimée
Loi normale
200
Occurence [-]
150
100
| − }~ | | + }~
50
0
46 47 48 49 50 51
Pmax [bar]
Figure 132 : Densité de probabilité de la pression cylindre maximale, N = 1000 tr/min, PME =2 bars, EGR = 39%
177
Chapitre IV : Modèle de Suie
b- CA95-CA70 :
La loi de dispersion d’estimation de cette variable est dans ce cas une loi log-normale. L’erreur
maximale est de 4° vilebrequin, et l’erreur minimale est de 3.4 ° vilebrequin (cf. Figure 133).
300
Occurence Estimée
250 Loi Log-normale
200
Occurence [-]
|
150
|. dÇ›±−}~ − ~Ù /Ù) |. dÇ›±}~ − ~Ù /Ù)
100
50
0
16 18 20 22 24 26 28 30
CA95-CA70 [°vil]
Figure 133 : Densité de probabilité pour ˆ‰œ• − ˆ‰ž‹), N = 1000 tr/min, PME =2 bars, EGR = 39%
Tout comme pour la durée de combustion CA95-CA05, l’erreur dans l’estimation du temps de séjour à
haute température vient pour partie du modèle de taux de combustion de Barba.
300
Occurence Estimée
Loi Normale
250
200
Occurence [-]
150
100 | − }~ | | + }~
50
0
2740 2745 2750 2755 2760 2765 2770 2775
Tad flamme(CA80) [°K]
Figure 134 : Densité de probabilité pour Tad flame (CA80), N = 1500 tr/min, PME =9 bars
178
Chapitre IV : Modèle de Suie
On étudie le résultat final sur l’estimation des suies par le modèle. Les plages de variation retenues
pour les paramètres d’entrée sont données dans le tableau suivant :
Un exemple de dispersion de la suie estimée est donné sur la Figure 135. La dispersion suit une loi
log-normale. Les résultats d’estimation des suies pour un grand nombre de points de fonctionnement
(environ 260 points) du moteur 1 sont représentés sur la Figure 136. Les bornes supérieures et
inférieures sont presque les mêmes pour tous les points de fonctionnement. Les erreurs maximales et
minimales sont de + 55% et – 40% respectivement.
250
Occurence Estimée
Loi Log-normale
200
Occurence
150
|
100
|. dÇ›±−}~ − ~Ù /Ù) |. dÇ›±}~ − ~Ù /Ù)
50
0
0.005 0.01 0.015 0.02 0.025 0.03
Suie [mg]
Figure 135 : Densité de probabilité de la masse de suie estimée, N = 1500 tr/min, PME =9 bars
179
Chapitre IV : Modèle de Suie
0.14 y = 1.55 x
Maximum
0.12 Minimum
Moyenne
Suie Estimée [mg/cp] 0.1
0.08
0.06
0.04
y = 0.6 x
0.02
0
0 0.02 0.04 0.06 0.08
Suie de Référence[mg/cp]
Figure 136 : Erreurs minimales et maximales pour l’estimation des suies pour différents points de fonctionnement
Finalement, on évalue la contribution de chaque paramètre d’entrée sur l’incertitude sur l’estimation
0.7
0.6
I n d i ce d e S e n si bi l it é [ - ]
0.5
0.4
0.3
0.2
0.1
0
Tad flamme(CA80) [O2] Tchar CA95-CA05 CA95-CA70 Pmax Mfdiff
Figure 137 : Indices de sensibilité moyens des variables d’entrée du modèle de suies
180
Chapitre IV : Modèle de Suie
Deux approches empiriques reliant ces paramètres aux émissions de suie ont été proposées. La
pemière consiste à calculer de manière analytique la quantité de suie formée dans la chambre et de
tabuler (cartographie) un indice d’oxydation. La deuxième approche consiste à calculer directement
par une formule analytique les émissions en fin de combustion.
Le modèle a été identifié pour des points d’apprentissage ; une comparaison des résultats du modèle
avec des résultats de mesure au banc d’essais (n’ayant pas servi à la calibration du modèle) pour le
moteur 1 montre un bon accord entre calculs et expériences, avec une précision très voisine pour les
deux approches empiriques (coefficient de corrélation R2 de 97% pour l’approche par cartographie et
de 96% pour l’approche analytique). L’approche analytique a finalement été retenue. Sa calibration
est simple et repose sur une régression multi-linéaire.
• d’une part caractériser l’importance des incertitudes liées à la mesure des paramètres
moteurs au banc d’essais et au modèle de taux de dégagement de chaleur sur l’estimation des
paramètres « physiques » d’entrée du modèle de suie,
• d’autre part caractériser l’importance des incertitudes des paramètres d’entrée sur
l’incertitude finale sur l’estimation des émissions de suie.
Ces études de sensibilité ont montré que la dispersion sur l’estimation des émissions de suie
engendrée par la dispersion sur les paramètres d’entrée va de + 55% à – 40%. La précision du
modèle d’émissions de suie est donc jugée bonne, par comparaison à l’imprécision sur l’estimation
des paramètres d’entrée du modèle qui est à attribuer aux incertitudes expérimentales et au modèle de
taux de combustion.
Dans le chapitre 5, tout comme pour le modèle de NOx, on discutera de l’application du modèle de
suie à un autre moteur (moteur 2), sans calibration nouvelle du modèle (modèle calibré sur le moteur
1), puis avec calibration spécifique. On étudiera aussi l’impact du nombre de points de
fonctionnement utilisés pour la calibration du modèle. Finalement, on présentera des résultats de
mesure et du modèle à des variations mono-paramétrées tels que des variations du taux d’EGR, des
paramètres d’admission et d’injection, ou des températures des fluides (huile et liquide de
refroidissement) traduisant l’état thermique du moteur.
181
182
Chapitre V : Application
Ce chapitre est dédié à la validation des modèles crées dans les chapitres III et IV sur le moteur 2.
Cette validation comporte trois sous-parties dont chacune présente différentes conditions de
fonctionnement moteur :
validation du compromis BC /LG qui est le but final de ces stratégies de contrôle. Une
normalement utilisés dans les stratégies du contrôle de ces émissions polluantes. Puis une
analyse détaillée des résultats est mis en jeu expliquant les points de force et de défaut de nos
modèles.
- Etude de la sensibilité des modèles aux températures des fluides de refroidissement. Des tests
de balayage des températures d’eau et d’huile sont aussi mis en place dans cette partie. Le
modèle de base subit quelques modifications avant d’être validé sur ces points. De nouveaux
modèles de pertes thermiques et des températures des parois du cylindre sont intégrés dans
cette section.
183
Chapitre V : Application
En général, les modèles de polluants construits dans les présents travaux sont des modèles semi-
physiques qui s’appuient sur des variables ou paramètres HF et établis par des outils empiriques
comme la cartographie et la régression multilinéaire. La bonne simulation HF du modèle de
combustion pour le moteur 2, qui a été observée dans le chapitre II, nous donne confiance pour
étudie la validation des modèles de BC et de particules avec toutes les démarches et les résultats
pouvoir utiliser les paramètres physiques dans les modèles de polluants. Dans la partie qui suit, on
appropriés.
Comme un premier test de validation, on va garder la même identification effectuée pour le moteur 1,
puis on va essayer de chercher les résultats d’estimation. Ceci est dans le but d’examiner
l’applicabilité du modèle construit sur d’autres moteurs sans avoir besoin des processus de recalage ou
d’identification.
Comme rappel, le modèle de BC construit dans la présente thèse est un modèle de cartographie qui
L’application directe du modèle de BC sur tous les points du champ ISO entraine les résultats
présentés dans la Figure 138. Comme le montre les points rouges sur la figure mentionnée, le modèle
surestime les valeurs expérimentales obtenues sur le banc d’un facteur supérieur à 1.2. Par contre, on
expérimentales. Ceci implique que le modèle a pu capter la tendance des BC avec des valeurs
peut bien remarquer que ces mêmes points gardent une forme presque linéaire par rapport aux valeurs
nécessite une nouvelle identification du modèle de BC . Pour le présent modèle, il y a deux parties
estimées proportionnelles aux valeurs du banc moteur. On conclut donc que le nouveau moteur
distinctes à identifier : la formule empirique et la cartographie. La linéarité des points estimés observée
recalage, mais c’est juste la cartographie, qui est une tabulation des valeurs expérimentales de BC ,
dans la Figure 138 permet de conclure en plus que la formule empirique n’a pas besoin d’un nouveau
qui doit être reconstruite pour le nouveau moteur. Ce fait semble logique et conforme avec nos
physiques qui doivent donc présenter presque les même relations avec les émissions de BC pour deux
prévisions. En effet, la formule empirique est une formule qui joint des paramètres purement
moteurs Diesel de configurations proches. Pour cela, il faudrait avoir la même tendance pour les BC
les valeurs expérimentales des émissions de BC pour le moteur 2 ne sont pas égales à celles du
en fonction de la même formule empirique construite pour le moteur 1. Tandis que, étant donné que
moteur 1, il faudrait donc juste reconstruire une nouvelle cartographie en fonction de la même formule
empirique pour ce nouveau moteur.
184
Chapitre V : Application
1800 Modèle
1600 Banc
Erreur de +/- 20%
1400
Afin de construire la cartographie du moteur 2, on doit choisir des points d’apprentissage parmi les
points du champ-ISO. La Figure 139 montre les positions de ces points sur la plage du fonctionnement
moteur représentée par la charge (PME) en fonction du régime de rotation (N). Ces points sont bien
distribués sur ce plan mis en place. On a dans ce cas 150 points d’apprentissage et le reste vont servir
forme croissante des BC expérimentaux en fonction de la formule empirique est claire. Le régime de
pour l’étape de validation. La nouvelle cartographie du moteur 2 est présentée dans la Figure 140. La
rotation, comme pour le moteur 1, n’a pas un effet significatif sur l’allure de la cartographie construite.
25
Champ Complet
Pts d'apprentissage
20
PME [bars]
15
10
0
500 1000 1500 2000 2500 3000 3500 4000 4500
N [tr/min]
Figure 139 : Le choix des points d’apprentissage (85 points)
185
Chapitre V : Application
Figure 140 : Le modèle de cartographie (moteur 2) pour le ÅÆÇ expérimental adimensionné en fonction de la corrélation
empirique crée et le régime de rotation en tr/min
En comparaison avec le moteur 1, les points de champ ISO du moteur 2 sont beaucoup moins
nombreux. Celui-ci a donc largement réduit le nombre des points utilisés pour la construction de la
cartographie. Cependant, les outils de modélisation disponibles sous MATLAB ont permis d’avoir
cette forme lisse et monotone.
La validation est maintenant réalisée sur deux sous-groupes bien distincts : les points d’apprentissage
et les points de validation. La Figure 141 montre la grande précision obtenue pour les points
d’apprentissage avec un coefficient de corrélation très proche de 1. Les lignes vertes représentent
l’erreur de +/- 20% par rapport aux valeurs expérimentales. De même, la validation sur les autres
points de champ ISO est représentée par la Figure 142. Un coefficient de corrélation similaire est aussi
obtenu pour les points de validation.
186
Chapitre V : Application
1600
Modèle
1400 Banc
Erreur de +/- 20%
1200
NOx Estimé [ppm]
1000
800
600
400
200
0
0 200 400 600 800 1000 1200 1400 1600
NOx Mesuré [ppm]
Figure 141 : La comparaison entre les ÅÆÇ expérimentaux etceux estimés pour les points d’apprentissage (moteur 2)
Modèle
2000 Banc
Erreur de +/- 20%
NOx Estimé [ppm]
1500
1000
500
0
0 500 1000 1500 2000
NOx Mesuré [ppm]
Figure 142 : La comparaison entre les ÅÆÇ expérimentaux etceux estimés pour les points de validation(moteur 2)
les émissions de BC , on fait une comparaison entre notre modèle et les données expérimentales pour
En plus, étant donné que le taux d’EGR est le paramètre de contrôle qui exerce le plus d’influence sur
la tendance des BC en fonction du taux de dilution effectuée. La Figure 143 montre la conformité
entre les deux courbes représentant les valeurs du modèle et du banc.
187
Chapitre V : Application
1000
Banc
Modèle
800
NOx [ppm]
600
400
200
0
0 5 10 15 20 25 30 35 40
Figure 143 : La comparaison entre les ÅÆÇ expérimentaux etceux estimés vis-à-vis des taux d’EGR
Taux d'EGR [%]
l’échappement que pour le modèle de BC . La cartographie est ici remplacée par un modèle de
Pour le modèle de suie, il y a plus de paramètres qui interviennent dans l’estimation de suie à
régression qui nécessite plus de coefficients de calibration dépendants de chacun des paramètres
Comme dans le cas du modèle de NO3 , une première validation est réalisée sur les points de champ
ISO du moteur 2 en se basant sur l’ancien recalage effectué pour le moteur 1. Les résultats sont
présentés dans la Figure 144 qui fait une comparaison entre les valeurs estimées de suie (cercles en
rouge) et celles trouvées sur le banc (la ligne bleue). D’après la figure mentionnée, on remarque que le
modèle surestime la suie pour un grand pourcentage de points. Cependant, l’allure des points estimés
restent presque linéaire par rapport aux points expérimentaux (représentée par la droite pointillée en
rouge). Une nouvelle identification est donc nécessaire pour que les datas soient compatibles. Pour ce
faire, 9 coefficients distincts doivent être définis. Les nouvelles valeurs de ces coefficients sont
exposées dans le Tableau 20. Les résultats confirment une nouvelle fois la distribution faite des
paramètres physiques entre ceux qui favorisent l’oxydation avec des exposants négatifs et ceux qui
favorisent la formation des particules avec des exposants positifs. D’autre part, ces valeurs trouvées
sont différentes que celles obtenues pour le moteur 1. Ce qui implique la nécessité de cette
identification lors de l’application du présent modèle sur un nouveau moteur Diesel.
188
Chapitre V : Application
0.06
Modèle
Banc
0.05
Suie Estimée [mg/cp]
0.04
0.03
0.02
0.01
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Suie Mesurée [mg/cp]
Figure 144 : Les résultats d’estimation de Suie pour le moteur 2 avec l’identification d’origine
Tableau 20 : Tableau récapitulatif des coefficients de calibration du modèle de suie pour le moteur 2.
Paramètre Coefficient Valeur
•••‘ ’•“ 0 exp ±17.655)
H 0.01
” 7
%} Ò 0
0.65
•– 4.318
%{ Ò 0 0.936
••— Õc} Ñ 0
Õc{ Ñ 0
-18.575
Õcƒ Ñ 0
-3.74
Õc‡ Ñ 0
-2.448
-9.024
Les résultats de la nouvelle identification distinguent les points d’apprentissage des points de
validation. Les points estimés d’apprentissage (les mêmes points choisis pour construire le modèle de
cartographie) sont comparés dans la Figure 145 avec les points expérimentaux. Un coefficient de
corrélation de 0.93 a été obtenu pour ce groupe de points. Bien que ce coefficient soit légèrement
inférieur à 1, le modèle assure une très bonne précision en comparaison avec les modèles de la
littérature.
De plus, c’est clair que les résultats sur ce moteur sont moins bons que ceux observés sur le moteur 1.
Ceci dépend essentiellement du nombre de points utilisés pour l’identification des coefficients du
modèle de régression adopté. En effet, le nombre de points utilisés pour le moteur 1 est environ 500
points de fonctionnement, tandis qu’on utilise seulement pour le moteur 2 autour de 150 points. En
addition, on peut remarquer à partir de la Figure 145 que le nombre des points caractérisés par une
grande masse de suie (>0.02 mg/coup) est limité en comparaison avec les points de faibles masses de
189
Chapitre V : Application
suie qui sont beaucoup plus nombreux. Ce qui rend l’estimation des suies élevées beaucoup moins
précise que les autres. Ceci est un des inconvénients des modèles de régression multilinéaire qui
cherche les coefficients de calibration qui permettent d’assurer l’équilibre entre les différents niveaux
de suie estimés. Cet équilibre dépend évidemment du nombre de points utilisé pour chaque niveau de
suie mis en évidence.
Les points de validation présentent un coefficient de corrélation similaire (R{ µ 0.93), comme les
montre la Figure 146.
0.035
Modèle
0.03 Banc
Suie Estimée [mg/cp]
0.025
0.02
0.015
0.01
0.005
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Suie Mesurée [mg/cp]
Figure 145 : La comparaison entre les émissions de suie expérimentales et celles estimées pour les points d’apprentissage
0.035
Modèle
0.03 Banc
Suie Estimée [mg/cp]
0.025
0.02
0.015
0.01
0.005
0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Suie Mesurée [mg/cp]
Figure 146 : La comparaison entre les émissions de suie expérimentales et celles estimées pour les points de validation
Le nombre des points d’apprentissage est un des paramètres essentiels qui gèrent la qualité des
résultats finaux. Par définition, les points d’apprentissage sont des points extraits des données
190
Chapitre V : Application
expérimentales pour les utiliser dans le recalage des modèles créés. Donc, ce nombre de points doit
être défini de façon qu’il présente un compromis entre la qualité du calcul déterminée par la précision
d’estimation et le coût investi pour identifier le modèle pour un nouveau moteur donné. En effet, un
nombre plus important de points d’apprentissage devrait bien sûr améliorer la précision de nos
modèles de polluants. Cependant, dans un contexte industriel, il peut arriver que le nombre d’essais
disponibles soit restreint en particulier lors des étapes du développement d’un nouveau moteur.
C’est pourquoi, on présente un test qui consiste à réduire le nombre des points d’apprentissage puis
observer l’effet constaté sur les résultats d’estimation. Quatre essais avec des nombres différents de
points d’apprentissage sont ainsi proposés et testés :
(a) 86 points
(b) 57 points
(c) 43 points
(d) 29 points
Le nombre admis pour la validation dans la section précédente a été 150 points de fonctionnement.
Donc, on va réduire ce nombre jusqu’à plus que la moitié. Le test (d) va utiliser 1/5 des points utilisés
auparavant. La Figure 147 montre les points d’apprentissage en couleur rouge positionnés sur le
champ ISO du moteur 2. On remarque que ces points sont toujours bien distribués sur tout le champ
complet de façon à couvrir toutes les possibilités du fonctionnement moteur.
25 25
Champ Complet Champ Complet
Pts d'apprentissage Pts d'apprentissage
20 20
P M E [b ars ]
P M E [b a rs ]
15 15
10 10
5 5
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000 4500
N [tr/min] N (tr/min)
Test (a) Test (b)
191
Chapitre V : Application
25 25
Champ Complet Champ Complet
Pts d'apprentissage Pts d'apprentissage
20 20
P M E [b a rs ]
P M E [b a rs ]
15 15
10 10
5 5
0 0
500 1000 1500 2000 2500 3000 3500 4000 4500 500 1000 1500 2000 2500 3000 3500 4000 4500
N [tr/min] N [tr/min]
Test (c) Test (d)
Figure 147 : Le positionnement des points d’apprentissage sur le champ ISO du moteur 2
Dans chaque cas, on identifie la cartographie de BC à partir des points d’apprentissage choisis en
gardant toujours la même formule empirique qui sert comme entrée pour cette cartographie. Puis, on
valide le modèle sur ces points et sur le reste des points du champ ISO (points de validation). La
Figure 148 présente les résultats de validation sur les points d’apprentissage pour les 4 tests. On
remarque clairement la réduction du nombre de points utilisés. Une grande précision est toujours
obtenue pour les 4 tests, même pour le test (d) avec juste 29 points de fonctionnement. Mais en outre,
on peut remarquer que la précision est améliorée en réduisant le nombre de points. Le test (d) présente
en effet des points plus serrés (avec un coefficient de corrélation égal à 1), ce qui implique qu’on a une
cartographie de plus en plus lisse.
1600 1800
Modèle Modèle
1400 Banc 1600 Banc
Erreur de +/- 20% Erreur de +/-20%
1200 1400
N O x Es tim é [ppm ]
N O x E s tim é [p p m ]
1200
1000
1000
800
800
600
600
400 400
200 200
0 0
0 200 400 600 800 1000 1200 1400 1600 0 200 400 600 800 1000 1200 1400 1600 1800
NOx Mesuré [ppm] NOx Mesuré [ppm]
Test (a) Test (b)
192
Chapitre V : Application
1800 2000
Modèle Modèle
1600 Banc Banc
1400 Erreur de +/- 20% Erreur de +/- 20%
1500
N O x E s tim é [p p m ]
N O x E s tim é [p p m ]
1200
1000
1000
800
600
400 500
200
0 0
0 200 400 600 800 1000 1200 1400 1600 1800 0 200 400 600 800 1000 1200 1400 1600
NOx Mesuré [ppm] NOx Mesuré [ppm]
Figure 148 : La comparaison entre les ÅÆÇ expérimentaux etceux estimés pour les points d’apprentissage (moteur2)
Test (c) Test (d)
Figure 149. Comme déjà mentionné auparavant, la précision du modèle de BC est affectée par la
En revanche, la validation des modèles identifiés sur les points de validation sont présentés dans la
réduction du nombre de points d’apprentissage. On remarque qu’elle devient de moins en moins bonne
avec cette réduction mise en place. Le Tableau 21 montre les coefficients de corrélation obtenus pour
les 4 tests effectués avec les pourcentages des points situés dans la zone d’erreur absolue de 20% par
rapport aux valeurs nominales expérimentales. Pour le test (d), avec juste 29 points on obtient
beaucoup moins de précision mais on garde toujours une allure linéaire avec un coefficient plus grand
que 0,9.
A partir de ces résultats, on pourra estimer le nombre de points d’apprentissage qui correspond à nos
2500
Modèle Modèle
2000 Banc Banc
Erreur de +/- 20% 2000 Erreur de +/-20%
N O x Estim é [ppm ]
N O x Estim é [ppm ]
1500
1500
1000
1000
500 500
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
NOx Mesuré [ppm] NOx Mesuré [ppm]
Test (a) Test (b)
193
Chapitre V : Application
2500 2500
Modèle Modèle
Banc Banc
2000 Erreur de +/- 20% 2000 Erreur de +/- 20%
N Ox Estimé [ppm]
N O x Estim é [ppm ]
1500 1500
1000 1000
500 500
0 0
0 500 1000 1500 2000 0 500 1000 1500 2000
NOx Mesuré [ppm] NOx Mesuré [ppm]
Figure 149 : La comparaison entre les ÅÆÇ expérimentaux etceux estimés pour les points de validation(moteur 2)
Test (c) Test (d)
Tableau 21 : Tableau récapitulatif des coefficients de corrélation et des pourcentages de points bien simulés
Y{
Test (a) (b) (c) (d)
0.99 0.98 0.95 0.91
Erreur +/- 20 % 95% 88% 80% 69%
Pareillement, le modèle de suie a été recalé pour chacun des 4 tests proposés. Les coefficients du
modèle de régression multiple sont identifiés à partir des points d’apprentissage choisis. Dans le
Tableau 22 on présente ces coefficients pour les différents tests effectués. On remarque que les valeurs
obtenues sont légèrement modifiées d’un test à un autre. Ceci est un bon indice pour la robustesse du
modèle de suie. En effet, un nombre réduit de points d’apprentissage semble suffisant pour identifier
la formule de régression. En réalité, ceci n’est pas toujours vrai mais dépend plutôt du choix des points
d’apprentissage. La validation du modèle sur les points d’apprentissage (cf. Figure 150) montre que
ces points sont toujours bien distribués sur tout l’axe de suie. La seule différence entre le test (a) et (d)
est la densité des points de faible valeur de suie, mais dans les deux cas on a des points qui
représentent les différents ordres de grandeurs. Ceci a permis d’avoir le même recalage avec juste 29
points de fonctionnement.
Tableau 22 : Tableau récapitulatif des coefficients de calibration du modèle de suie pour le moteur 2 avec un nombre
réduit de points d’apprentissage.
Paramètre Coefficient Valeurs des coefficients selon le nombre des points d’apprentissage
86 points 57 points 43 points 29 points
•••‘ ’•“ 0 exp ±17.655) exp ±17.35) exp ±16.608) exp ±16.808)
H 0.01 0.01 0.01 0.01
” 7
%} Ò 0
0.65 0.702 0.753 0.558
•– 4.318 4.071 4.041 3.894
••— Õc} Ñ 0
Õc{ Ñ 0
-18.575 -18.071 -16.848 -19.934
-3.74 -3.864 -4.307 -4.071
194
Chapitre V : Application
Õcƒ Ñ 0
Õc‡ Ñ 0
-2.448 -2.417 -3.106 -2.237
-9.024 -9.263 -8.539 -7.027
0.035 0.025
Modèle Modèle
0.03 Banc Banc
0.02
0.025
0.015
0.02
0.015 0.01
0.01
0.005
0.005
0 0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0 0.005 0.01 0.015 0.02 0.025
Suie Mesurée [mg/cp] Suie Mesurée [mg/cp]
Test (a) Test (b)
0.03 0.025
Modèle Modèle
Banc Banc
0.025
0.02
Suie Estim ée [m g/cp]
Suie Es tim ée [m g/cp]
0.02
0.015
0.015
0.01
0.01
0.005
0.005
0 0
0 0.005 0.01 0.015 0.02 0.025 0.03 0 0.005 0.01 0.015 0.02 0.025
Suie Mesurée [mg/cp] Suie Mesurée [mg/cp]
Test (c) Test (d)
Figure 150 : La comparaison entre les émissions de suie expérimentales et celles estimées pour les points d’apprentissage
Dans la Figure 151, une grande similarité est observée entre les allures obtenues pour les 4 tests de
recalage. Ceci est normal du fait qu’on a obtenu des coefficients de calibration très proches (cf.
Tableau 22). Un coefficient de corrélation de 0,93 est obtenu dans tous les cas. L’imprécision sur les
valeurs élevées de suie est commune entre les 4 tests. Elle provient toujours du faible nombre de
points d’apprentissage qui possèdent de grandes émissions de suie. La densité des points de faible
valeur de suie est toujours plus grande même pour le test (d) comme le montre la Figure 151.
195
Chapitre V : Application
0.035 0.035
Modèle Modèle
0.03 Banc 0.03 Banc
Suie Estimée [m g/cp]
0.02 0.02
0.015 0.015
0.01 0.01
0.005 0.005
0 0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Suie Mesurée [mg/cp] Suie Mesurée [mg/cp]
Test (a) Test (b)
0.035 0.035
Modèle
0.03 Banc Suie Estimée [mg/cp] 0.03
Suie Estim ée [m g/cp]
0.025 0.025
0.02 0.02
0.015 0.015
0.01 0.01
0.005 0.005
0 0
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Suie Mesurée [mg/cp] Suie Mesurée [mg/cp]
Test (c) Test (d)
Figure 151 : La comparaison entre les émissions de suie expérimentales et celles estimées pour les points de validation
précision d’estimation avec un grand nombre de points d’apprentissage est maximale. Cette précision
cartographie de BC . Ceci montre de nouveau que la tabulation peut présenter une précision très
a été fortement affectée avec la réduction de ce nombre de points qui a détérioré la qualité de la
élevée mais en se basant sur les données expérimentales qui doivent couvrir un maximum de points de
fonctionnement. En revanche, le modèle de suie n’a pas été affecté par la variation des points
celle du modèle de BC mais ne nécessite pas un grand nombre de points d’apprentissage. Autrement
d’apprentissage et a gardé presque la même précision. Cette précision est surement moins bonne que
dit, il en résulte que le modèle de BC est plus précis mais plus coûteux que le modèle de suie. Pour
rendre le modèle de BC moins coûteux, il faudrait après créer un outil qui sert à choisir un nombre
réduit de points d’apprentissage mais qui représentent au maximum toute la plage de fonctionnement
moteur.
En outre, ces tests permettent de prévoir les résultats de nos modèles de polluants pour pré-
dimensionner un nouveau moteur Diesel. Le cahier des charges qui comportent le niveau de précision
ainsi que les limites de coût vont déterminer dans ce cas le nombre des points d’apprentissage ou des
essais expérimentaux nécessaires pour le recalage visé.
196
Chapitre V : Application
- 5 points distincts choisis dans le champ de fonctionnement du moteur 2 (Voir Figure 152,
cercles pleins).
LG { = 67 W´]).
o 3 points hors la zone dépolluée représentée par les points bleus (point P3: •Bƒ =
1500 ]W/78H, LG ƒ = 107 W´ž et point P4 :•Bƒ = 2500 ]W/78H, LG { = 67 W´]
et point P5 :•B‚ = 2500 ]W/78H, LG ‚ = 137 W´]).
- 7 paramètres de contrôle moteur représentant la boucle d’air et le système d’injection de
carburant :
o Pour la boucle d’air :
Le taux d’EGR
La pression d’admission
o Pour le système d’injection de carburant :
La pression d’injection
Le débit d’injection pilote
L’avance à l’injection principale
La durée du dwell (intervalle entre deux injections, pilote et principale)
Le débit de la post-injection
- 5 tests de variation mono-paramétrée pour chaque paramètre.
Les paramètres de réglage recensés dans la liste ci-dessus n’interviennent pas directement dans les
modèles créés, mais à travers les paramètres physiques intermédiaires réactifs aux paramètres de
contrôle. Durant ces tests de balayage, on fait varier un seul paramètre à la fois pour faciliter l’analyse
des résultats, même si, lors de la mise au point, plusieurs paramètres sont modifiés simultanément.
Dans les sous-parties suivantes, on présente les tests effectués séparément pour chaque paramètre avec
les résultats correspondants de validation présentés par les deux modèles développés.
197
Chapitre V : Application
25
SANS EGR
AVEC EGR
20
PME (bars)
15
10
0
500 1000 1500 2000 2500 3000 3500 4000 4500
N (tr/min)
Figure 152 : Position des points choisis pour les tests de balayage sur le champ de fonctionnement du moteur 2
Parmi les conditions et les hypothèses respectées pour les tests de balayage :
- Les mesures sont prises lorsque le moteur a atteint sa température nominale de fonctionnement
(« moteur chaud ») : les températures d’eau et d’huile ne doivent pas dépasser 85°C et 90°C,
respectivement.
- La pression dans le circuit d’huile est de 3 bars.
- Les tests de balayage sont toujours effectués avec une consommation de carburant constante
dépendante du point de fonctionnement appliqué, comme le montre le :
Tableau 23 : Masse du carburant injecté par cycle moteur pour les différents points de fonctionnement
7" . •7)/ ¬ž
P1 P2 P3 P4 P5
10 13.8 22.7 14 28.7
- Un test de balayage doit être effectué dans la même journée afin de garantir les mêmes
conditions ambiantes pour les 5 points de fonctionnement.
- On utilise uniquement la boucle EGR BP.
Les modèles de NOx et de suie ont été calibrés spécifiquement pour le moteur 2 sur la base d’un
de BC afin de pouvoir modéliser les valeurs très élevées de BC pour quelques conditions
champ ISO (cf. section précédente de ce chapitre). Une modification a été nécessaire pour le modèle
points de champs iso-régimes est limitée par une valeur de BC autour de 1500 ppm, comme le
spécifiques où les émissions de NOx sont très élevées. En effet, la cartographie construite par les
largement cette valeur limite jusqu’à environ 3500 ppm. Une extrapolation de la cartographie de BC
montre la Figure 141. Tandis que les valeurs obtenues pour quelques points de balayage dépassent
pour les valeurs très élevées a été effectuée par une forme exponentielle. La Figure 153 montre la
cartographie finale utilisée pour l’évaluation du modèle de NOx sur les essais mono-paramétés.
198
Chapitre V : Application
Dans cette section, le paramètre étudié est le taux de dilution par la recirculation des gaz
d’échappement. L’effet de ce paramètre est testé de deux manières différentes :
- A pression d’admission constante : l’excès d’air diminue quand le taux d’EGR augmente.
- A richesse globale constante : La pression d’admission augmente en même temps que l’EGR,
de manière à maintenir constante la masse d’air introduite.
Dans cette partie, on évalue la réponse des modèles au balayage du taux d’EGR avec une pression
constante dans le collecteur d’admission. Ceci est assuré en maintenant le même niveau de
suralimentation c’est à dire en fixant le volet de la turbine à géométrie variable (TGV) à sa position
nominale (donnée par la stratégie de calibration moteur pour un fonctionnement stable du moteur)
durant le changement du taux d’EGR. Dans ce cas, la pression de l’air d’admission n’est pas modifiée,
mais la masse d’air diminue. Etant donné que la masse du carburant consommé par cycle moteur est
toujours la même, la richesse évolue comme la masse d’air.
Pour chaque point de fonctionnement, on précise les limites de variation du taux d’EGR qui dépendent
de la charge du moteur. Pour une masse de carburant constante, le débit des gaz d’admission qui est
égale à la somme des débits des gaz ré-circulés et de l’air frais est donc fixe. Aussi, le taux d’EGR
peut être géré dans ce cas par la consigne de la masse d’air frais introduit dans le collecteur
d’admission.
La Figure 155 montre la comparaison entre les émissions de NOx mesurées et les émissions estimées
par le modèle.
L’effet de réduction drastique des émissions de NOx par l’EGR est bien appréhendé par le modèle. A
un régime de rotation constant, le taux d’EGR a un impact sur l’ensemble de paramètres d’entrée du
modèle :
•BC ž
∞ ∗ %} + 7 ∗ %{
•BC ž
(5.1)
199
Chapitre V : Application
%{ =
Q 3ˆ4• ; • ’
4• ;
-
3100
3000
2900
) [K]
2800
ad flame
2700
max(T
2600
2500
2400
2300
0 10 20 30 40 50
Taux d'EGR [%]
(a)
1820
1800
1780
max(T avg) [K]
1760
1740
1720
1700
1680
1660
0 10 20 30 40 50
Taux d'EGR [%]
(b)
200
Chapitre V : Application
12
10
8
[O 2] [%]
6
2
0 10 20 30 40 50
Taux d'EGR [%]
Figure 154 : Variation des paramètres d’entrée du modèle de ÅÆÇ pour le point P2
(c)
500 800
Banc Banc
Modèle 700 Modèle
400
600
NO x [ppm ]
NOx [ppm]
300 500
400
200 300
200
100
100
0 0
0 10 20 30 40 50 0 10 20 30 40 50
Taux d'EGR [%] Taux d'EGR [%]
(P1) (P2)
1400
Banc Banc
500
1200 Modèle Modèle
1000 400
NOx [ppm]
NOx [ppm]
800 300
600
200
400
100
200
0 0
0 5 10 15 20 0 5 10 15 20
Taux d'EGR [%] Taux d'EGR [%]
(P3) (P4)
201
Chapitre V : Application
900
Banc
800 Modèle
700
600
NOx [ppm]
500
400
300
200
100
0
0 5 10 15 20
Taux d'EGR [%]
(P5)
Figure 155 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage du taux d’EGR à iso-pression
d’admission
De même, la Figure 157 montre la robustesse du modèle de suie vis-à-vis du balayage du taux d’EGR.
D’après les figures observées ci-dessous, les gaz d’EGR favorisent la formation des particules, ce qui
est conforme avec nos connaissances scientifiques. Dans le modèle de suie, l’augmentation du taux
d’EGR à pression de suralimentation et consommation de carburant constantes aboutit aux
changements suivants :
Ces deux faits contribuent ensemble à la formation de plus de particules durant le cycle moteur.
2800 66
2700 64
T ad flam e(CA80) [K]
2600 62
2500 60
2400 58
2300 56
2200 54
0 10 20 30 40 50 0 10 20 30 40 50
Taux d'EGR [%] Taux d'EGR [%]
(a) (b)
202
Chapitre V : Application
46 2
1.8
44
CA95 - C A05 [° vil]
1.6
τ char [m s]
42 1.4
1.2
40
1
38
0.8
36
0 10 20 30 40 50 0 10 20 30 40 50
Taux d'EGR [%] Taux d'EGR[%]
(c) (d)
Figure 156 : Variation des paramètres du modèle de suie influencés par le balayage du taux d’EGR pour le point P2
0.03 0.12
Modèle
Modèle
0.025 0.1 Banc
Banc
Suie [mg/cp]
Suie [mg/cp]
0.02 0.08
0.015 0.06
0.01 0.04
0.005 0.02
0 0
0 10 20 30 40 50 0 10 20 30 40 50
Taux d'EGR [%] Taux d'EGR [%]
(P1) (P2)
0.04 0.014
Modèle Modèle
Banc 0.012 Banc
0.03 0.01
Suie [mg/cp]
Suie [mg/cp]
0.008
0.02
0.006
0.004
0.01
0.002
0 0
0 5 10 15 20 0 5 10 15 20
Taux d'EGR [%] Taux d'EGR [%]
(P3) (P4)
203
Chapitre V : Application
0.04
Modèle
Banc
0.03
Suie [mg/cp]
0.02
0.01
0
0 5 10 15 20
Taux d'EGR [%]
(P5)
Figure 157 : Comparaison calculs-expériences pour les émissions de suie lors du balayage du taux d’EGR à iso-pression
d’admission
Le balayage du taux d’EGR dans ces tests est réalisé avec des conditions différentes que pour le
balayage précédent. Durant ces essais, c’est la richesse globale dans la chambre de combustion qui est
maintenue constante, indépéndament des variations du taux d’EGR. Pour une consommation de
carburant toujours constante, il faut régler le volet de « TGV » afin d’ajuster la masse d’air pur
introduit dans le cylindre et garder par conséquent une richesse constante. Dans ce cas, ce sont les
limites de fermeturedu volet de « TGV » qui déterminent la marge de variation du taux d’EGR. Pour
les points P1 et P2, on remarque que la plage de variation du taux d’EGR est réduite par rapport aux
tests précédents.
Cette fois-ci, pour le modèle de BC , les paramètres utilisés dans la formule empirique ne sont pas
tous impactés par la variation du taux d’EGR. En effet, la concentration d’oxygène en excès ne change
pas (cf. Figure 158.c). La température moyenne dans le cylindre est affectée dans ce cas par
l’augmentation de la masse enfermée dans le cylindre avec l’augmentation du taux d’EGR, comme le
montre la Figure 158.b. En outre, les gaz d’EGR affectent la zone stœchiométrique de flamme et par
conséquent la température adiabatique de flamme. Cette relation se voit bien sur la Figure 158.a.
L’accord du modèle avec les données expérimentales est illustré sur les courbes de la Figure 159.
3060
3040
3020
max(T ad flame) [K]
3000
2980
2960
2940
2920
2900
0 5 10 15 20 25
Taux d'EGR [%]
204
Chapitre V : Application
(a)
1660
1640
1620
1580
1560
1540
1520
0 5 10 15 20 25
Taux d'EGR [%]
(b)
13
12.5
[O 2] [%]
12
11.5
11
0 5 10 15 20 25
Taux d'EGR [%]
Figure 158 : Variation des paramètres d’entrée du modèle de ÅÆÇ pour le point P4
(c)
70 180
Banc Banc
Modèle 160
60 Modèle
140
50
120
NOx [ppm]
NOx [ppm]
40 100
30 80
60
20
40
10
20
0 0
25 30 35 40 45 15 20 25 30 35 40
Taux d'EGR [%] Taux d"EGR [%]
(P1) (P2)
205
Chapitre V : Application
800
NOx [ppm]
300
600
200
400
200 100
0 0
0 5 10 15 0 5 10 15 20
Taux d'EGR [%] Taux d'EGR [%]
(P3) (P4)
900 Banc
800 Modèle
700
600
NOx [ppm]
500
400
300
200
100
0 1 2 3 4 5 6
Taux d'EGR [%]
(P5)
Figure 159 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage du taux d’EGR à iso-richesse
Les résultats du modèle de suie sont proches des émissions mesurées, avec des écarts pour quelques
points de fonctionnement mais en capturant toujours la tendance de variation des émissions de suie. Ce
qui caractérise les résultats de ces tests par rapport aux tests précédents, est la pente réduite pour la
variation de suie en fonction du taux d’EGR (cf. Figure 161). La différence ici concerne les taux
d’oxydation qui sont plus importants à cause de la concentration d’oxygène qui est constante et égale à
sa valeur nominale et la pression maximale du cylindre qui augmente avec la dilution par l’EGR (cf.
Figure 160.b). Cette dernière est expliquée par l’augmentation de la pression d’admission et par
l’allongement des délais d’auto-inflammation qui augmentent avec la dilution par les gaz d’EGR. La
durée de combustion et la fréquence de mélange sont par contre presque constantes.
206
Chapitre V : Application
2900 86
84
2850 82
T ad flame(CA80) [K]
2800 78
76
2750 74
72
2700 70
0 5 10 15 20 25 0 5 10 15 20 25
Taux d'EGR [%] Taux d'EGR [%]
42 2
1.8
41.5
1.6
CA95 - CA05 [°vil]
41 1.4
τ char [m s]
1.2
40.5
1
40
0.8
39.5 0.6
0.4
39
0 5 10 15 20 25 0 5 10 15 20 25
Taux d'EGR [%] Taux d'EGR [%]
Figure 160 : Variation de certains paramètres d’entrée du modèle de suie pour le point P4
-3
x 10
Modèle Modèle
0.025
Banc Banc
15 0.02
S uie [m g/cp]
Suie [mg/cp]
0.015
10
0.01
5
0.005
0 0
30 35 40 45 20 25 30 35
Taux d'EGR [%] Taux d'EGR [%]
(P1) (P2)
207
Chapitre V : Application
-3 -3
x 10 x 10
6
Modèle
5 6 Banc
Suie [mg/cp]
S uie [m g/cp]
4
3 4
Modèle
2 Banc
2
1
0 0
0 5 10 15 0 5 10 15 20 25
TauxEGR [%] Taux d'EGR [%]
(P3) (P4)
-3
x 10
5
4
Suie [mg/cp]
Modèles
3 Banc
0
0 1 2 3 4 5 6
Taux d'EGR [%]
(P5)
Figure 161 : Comparaison calculs-expériences pour les émissions de suie lors du balayage du taux d’EGR à iso-richesse
Cette section vise à étudier l’effet de la pression de suralimentation sur les émissions de BC et de
suie, et à valider les modèles créés vis-à-vis des données expérimentales. Dans ces tests, la vanne
d’EGR et le volet de la « TGV » sont ajustés ensemble afin de garder le même taux d’EGR en
balayant la pression de suralimentation. Les bornes supérieures et inférieures de la pression
d’admission sont donc déterminées à partir des limites d’ouverture/fermeture de ces deux volets
dépendant du point de fonctionnement étudié.
L’impact d’une variation de la pression de suralimentation sur les émissions de BC est le résultat de
différents effets.
208
Chapitre V : Application
Aussi, les émissions de BC sont le résultat d’une compétition entre l’élévation de la concentration
d’oxygène dans le cylindre et la température adiabatique de flamme d’une part, et la diminution de la
température moyenne d’autre part.
Comme le montre la Figure 163, le modèle capture bien les évolutions de NOx pour les points P1, P2,
P3, du point de vue qualitatif. Le taux de variation des émissions de NOx est par contre surestimé.
Pour les points P4 et P5, les résultats sont moins précis. Si l’écart quantitatif calcul – expérience est
tout à fait raisonnable pour chaque niveau de pression d’admission, la tendance n’est pas capturée.
Comme expliqué précédemment, l’évolution des émissions de NOx lors de la variation de la pression
d’admission est le fruit d’une compétition entre différents paramètres. Le modèle semble capturer les
tendances pour chacunn des paramètres intermédaires, mais pas toujours le résultat final d’un point de
vue quantitatif.
2880
2860
max(T ad flame ) [K]
2840
2820
2800
2780
2760
1000 1100 1200 1300 1400
Pcol [mbar]
(a)
1800
1780
1760
max(T avg) [K]
1740
1720
1700
1680
1660
1000 1100 1200 1300 1400
Pcol [mbar]
(b)
209
Chapitre V : Application
10.5
10
9.5
[O 2] [%]
8.5
7.5
6.5
1000 1100 1200 1300 1400
Pcol [mbar]
Figure 162 : Variation des paramètres d’entrée du modèle de ÅÆÇ pour le point P2
(c)
Banc Banc
120
Modèle 250
Modèle
100
200
NO x [ppm ]
80
NOx [ppm]
150
60
100
40
20 50
0
1000 1050 1100 1150 1200 1250 1300
0
P [mbar]
1000 1100 1200 1300 1400
col P [mbar]
col
(P1) (P2)
1400
1200 500
1000 Banc
Modèle 400
NOx [ppm]
NO x [ppm ]
800
300
600
Banc
200
400 Modèle
200 100
0 0
1100 1200 1300 1400 1500 1600 1200 1400 1600 1800 2000
Pcol [mbar] Pcol [mbar]
(P3) (P4)
210
Chapitre V : Application
1000
800
NOx [ppm]
Banc
600 Modèle
400
200
0
1400 1600 1800 2000 2200 2400 2600
Pcol [mbar]
(P5)
Figure 163 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage de pression d’admission à iso taux
d’EGR
- Concernant le modèle de suie, celui-ci capture très bien les évolutions lors de la variation de la
pression d’admission à iso taux d’EGR, pour les cinq points de fonctionnement testés. Le sens
de variation, ainsi que le taux de variation est bien capturé, excepté pour le point P4 pour
lequel le modèle surestime légèrement la baisse des émissions de suie lors de l’augmentation
de la pression d’admission. Cette baisse est liée, d’après le modèle, à une augmentation du
taux d’oxydation de suie du fait d’une hausse de la température adiabatique de flamme à
CA80 et de la pression cylindre maximale (cf. Figure 164).
2750
2700
T ad flame(CA80) [K]
2650
2600
2550
1000 1100 1200 1300 1400
Pcol [mbar]
(a)
211
Chapitre V : Application
75
70
60
55
1000 1100 1200 1300 1400
Pcol [mbar]
(b)
Figure 164 : Variation de certains paramètres d’entrée du modèle de suie pour le point P4P4
-3 0.02
x 10
Modèle
Modèle
8 Banc
Banc 0.015
S uie [m g/cp]
S uie [m g/cp]
6
0.01
4
2 0.005
0 0
1000 1050 1100 1150 1200 1250 1300 1000 1100 1200 1300 1400
Pcol [mbar] Pcol [mbar]
(P1) (P2)
-3
x 10
0.02
Modèle Modèle
Banc 4 Banc
0.015
Suie [mg/cp]
Suie [mg/cp]
3
0.01
2
0.005
1
0 0
1100 1200 1300 1400 1500 1600 1200 1400 1600 1800 2000
Pcol [mbar] Pcol [mbar]
(P3) (P4)
212
Chapitre V : Application
0.03
Modèle
0.025
Banc
Suie [mg]/cp
0.02
0.015
0.01
0.005
0
1400 1600 1800 2000 2200 2400 2600
Pcol [mbar]
(P5)
Figure 165 : Comparaison calculs-expériences pour les émissions de suie lors du balayage de pression d’admission à iso taux
d’EGR
La pression d’injection de carburant est un paramètre clef de mise au point moteur, son impact sur la
combustion, les émissions polluantes, et le rendement étant important.
On présente ici les résultats de mesure et des modèles pour des variations de pression d’injection à iso
débits d’air et de carburant (iso-richesse). Les autres paramètres sont fixés à leurs valeurs nominales.
Du point de vue de la combustion, une augmentation de la pression conduit à une hausse de la quantité
de mouvement introduite dans le cylindre, et de ce fait à une hausse du taux de turbulence. Ceci
conduit dans la grande majorité des cas à une hausse des émissions de NOx et une baisse des
émissions de suie.
Concernant le modèle d’émissions de NOx, celui-ci capture très bien la hausse des émissions lors de
l’augmentation de la pression d’injection pour les cinq point de fonctionnement, que ce soit d’un point
de vue qualitatif ou quantitatif (cf. Figure 169).
La température adiabatique de flamme maximale max(Tad flame) est peu affectée par la hausse de la
pression d’injection (cf. Figure 167.a et Figure 168.a). La concentration d’oxygène en excès n’est pas
modifiée car la richesse globale est maintenue constante. Aussi, la hausse des émissions de NOx
semble être liée à la hausse de la température moyenne maximale max(Tavg) qui traduit la hausse du
temps de séjour à haute température. L’augmentation de max(Tavg) est liée à une réduction de la
durée de combustion, traduite dans les modèles par une baisse du temps caractéristique de mélange (cf.
Figure 167.b et Figure 168.b).
Pour le point P4, pour les valeurs les plus élevées de la pression d’injection, on observe une légère
baisse des émissions de NOx. Cette baisse est capturée par le modèle et est liée à la légère baisse de
max(Tavg) pour les plus fortes valeurs de pression d’injection (cf. Figure 166).
Pour les émissions de suie, là-aussi les tendances sont très bien capturées (cf. Figure 170). La baisse
est liée pour partie à la baisse du temps caractéristique de mélange (cf. Figure 167.b et Figure 168.b)
qui conduit à une baisse du taux de production.
213
Chapitre V : Application
1640
1630
1610
1600
1590
1580
1570
400 500 600 700 800 900 1000
Prail [bar]
Figure 166 : Variation de max(Tavg) pour le point P4
2800
2750
max(T ad flame) [K]
2700
2650
2600
300 400 500 600 700 800 900
Prail [bar]
(a)
1.05
1
0.95
0.9
[ms]
0.85
char
0.8
τ
0.75
0.7
0.65
214
Chapitre V : Application
(b)
Figure 167 : Variation de max(Tad flame) et du temps caractéristique de mélange pour le point P1
2800
2780
2740
2720
2700
2680
200 300 400 500 600 700 800 900
Prail [bar]
(a)
1.1
0.9
τ char [ms]
0.8
0.7
215
Chapitre V : Application
NO x [ppm ]
60 100
40
50
20
0 0
300 400 500 600 700 800 200 400 600 800 1000
Prail [bar] Prail [bar]
(P1) (P2)
3500
Banc 500 Banc
3000 Modèle Modèle
2500 400
NO x [ppm ]
NO x [ppm ]
2000
300
1500
200
1000
500 100
0 0
400 600 800 1000 1200 1400 1600 1800 400 500 600 700 800 900 1000
Prail [bar] Prail [bar]
(P3) (P4)
1800
Banc
1600
Modèle
1400
1200
NOx [ppm]
1000
800
600
400
200
0
400 600 800 1000 1200 1400 1600
Prail [bar]
(P5)
Figure 169 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage de pression d’injection
216
Chapitre V : Application
0.08
0.025 Modèle
Modèle
Banc
Banc
0.02 0.06
Suie [mg/cp]
Suie [mg/cp]
0.015
0.04
0.01
0.02
0.005
0 0
300 400 500 600 700 800 200 400 600 800 1000
Prail [bar] Prail [bar]
(P1) (P2)
0.012 0.02
Modèle Modèle
0.01 Banc Banc
0.015
Suie [mg/cp]
Suie [mg/cp]
0.008
0.006 0.01
0.004
0.005
0.002
0 0
500 1000 1500 2000 400 600 800 1000
Prail [bar] Prail [bars]
(P3) (P4)
0.02
Modèle
Banc
0.015
Suie [mg/cp]
0.01
0.005
0
400 600 800 1000 1200 1400 1600
Prail [bars]
(P5)
Figure 170 : Comparaison calculs-expériences pour les émissions de suie lors du balayage de pression d’injection
217
Chapitre V : Application
Dans cette section, les tests de balayage concernent la masse du carburant injecté lors de l’injection
pilote. Ce paramètre est étudié du fait de son influence sur la performance de la combustion Diesel et
également sur les émissions polluantes. La stratégie d’injection adoptée durant ces essais comporte
une seule injection pilote avant l’injection principale. La masse de carburant injectée durant l’injection
pilote est comprise entre 0 et 3 mg par cycle moteur. Comme dans les tests précédents, la masse de
carburant totale injectée est toujours la même pour les tests de balayage d’un point de fonctionnement
donné. Toute masse de carburant ajoutée à celle injectée lors de l’injection pilote est par conséquent
retranchée de la masse injectée durant l’injection principale. En plus, les avances à injection sont
fixées tout le long des tests effectués. Le pourcentage du débit de la pré-injection par rapport à la
consommation totale de carburant diffère d’un point à un autre :
- P1 : entre 0 et 30 %
- P2 : entre 0 et 22 %
- P3 : entre 0 et 13 %
- P4 : entre 0 et 22 %
- P5 : entre 0 et 10 %
Concernant le modèle d’émissions de NOx, celui-ci capture bien la hausse des émissions de NOx pour
une quantité pilote non nulle. Ceci est lié à la hausse de max(Tavg) et max(Tad flame) : cf.Figure
171.a.
En revanche, le modèle ne capture par la hausse des émissions de NOx lorsque l’on coupe l’injection
pilote pour les points de fonctionnement P2, P3, P4. Dans ces cas, le modèle semble être mis en
défaut. Ceci s’explique par le fait que la modèle a été développé pour des combustions Diesel
conventionnelles, c'est-à-dire avec une combustion essentiellement diffusive; la coupure de l’injection
pilote pour des points de charge intermédiaire conduit à un allongement important du délai
d’inflammation pour l’injection principale et donc à un mode de combustion à fort taux de pré-
mélange. Ces tests semblent indiquer que le modèle d’émissions de NOx n’est pas transposable à des
modes de combustion Diesel fortement prémélangés.
218
Chapitre V : Application
3130
3120
3100
3090
3080
3070
0 0.5 1 1.5 2 2.5 3
mpil1 [mg]
(a)
1900
1890
max(T avg) [K]
1880
1870
1860
1850
0 0.5 1 1.5 2 2.5 3
mpil1 [mg]
(b)
Figure 171 : Variation de max(Tad flame) pour le point P5
150
Banc
70 Banc
Modèle
Modèle
60
50 100
NOx [ppm]
N O x [ppm ]
40
30
50
20
10
0 0
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
mpil1 [mg] mpil1 [mg]
(P1) (P2)
219
Chapitre V : Application
1200 500
1000 400
N O x [ppm ]
N O x [p pm ]
800 Banc
300
Banc Modèle
600 Modèle
200
400
200 100
0 0
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
mpil1 [mg] mpil1 [mg]
(P3) (P4)
1000
800 Banc
Modèle
NOx [ppm]
600
400
200
0
0 0.5 1 1.5 2 2.5 3
mpil1 [mg]
(P5)
Figure 172 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage de masse pilotee
Concernant le modèle de suie, la tendance est relativement bien capturée pour la plupart des points de
fonctionnement et pour des quantités pilote non nulles (cf. Figure 175).
Cette hausse est liée pour partie aux augmentations de la durée de combustion CA95-CA05 et du
temps caractéristique de mélange qui conduisent à une hausse du taux de production (cf. Figure 173.a
et b et Figure 174.a). En effet, injecter une quantité de carburant avant l’injection principale permet
d’avancer le CA05 à condition que cette quantité soit plus grande que 5% de la masse totale de
carburant injectée lors du cycle moteur.
Par ailleurs, il y a aussi un paramètre d’oxydation essentiel qui contribue dans la diminution de la
Pour les points P1, P2, P4, la baisse drastique des émissions de suie lors de la coupure de l’injection
pilote n’est pas capturée par le modèle. Ceci s’explique, comme pour le modèle de NOx, par un
changement de mode de combustion (taux de pré-mélange).
220
Chapitre V : Application
39 1
38.5 0.95
0.9
CA 95 - C A05 [°vil]
38
0.85
τ char [m s]
37.5
0.8
37
0.75
36.5 0.7
36 0.65
(a) (b)
24
52 23
CA 95 - C A70 [°vil]
max(P cyl ) [bar]
50 22
48 21
46 20
44 19
0 0.5 1 1.5 2 2.5 3
0 0.5 1 m 1.5[mg] 2 2.5 3 mpil1 [mg]
pil1
(c) (d)
Figure 173 : Variations des paramètres du modèle de suie pour le point P1
47 122
46.5 120
CA95 - CA05 [°vil]
118
max(P cyl) [bar]
46
116
45.5
114
45
112
44.5
110
44
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
mpil1 [mg] mpil1 [mg]
(a) (b)
221
Chapitre V : Application
26.5
26
25
24.5
24
0 0.5 1 1.5 2 2.5 3
mpil1 [mg]
(c)
Figure 174 : Variations des paramètres du modèle de suie pour le point P5
0.015
0.012
Modèle
0.01 Banc
Suie [mg/cp]
Suie [mg/cp]
0.008 0.01
Modèle
0.006
Banc
0.004 0.005
0.002
0 0
0 1 2 3 0 0.5 1 1.5 2 2.5 3
mpil1 [mg] mpil1 [mg]
(P1) (P2)
-3 -3
x 10 x 10
5 4
Modèle
4 Banc
3
Suie [mg/cp]
Suie [mg/cp]
3 Modèle
2 Banc
2
1
1
0 0
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
mpil1 [mg] mpil1 [mg]
(P3) (P4)
222
Chapitre V : Application
-3
x 10
5
Modèle
Banc
4
Suie [mg/cp]
3
0
0 0.5 1 1.5 2 2.5 3
mpil1 [mg]
(P5)
Figure 175 : Comparaison calculs-expériences pour les émissions de suie lors du balayage de masse pilote
L’avance à l’injection du carburant est un paramètre essentiel qui gère le phasage de combustion dans
un moteur Diesel conventionnel. Pour isoler l’effet de ce paramètre, on effectue des tests de balayage
du début de l’injection principale du carburant en fixant la quantité du carburant injecté et les avances
pour les injections pilotes. Pour tous les points de fonctionnement testés, la stratégie d’injection
comporte deux injections pilotes qui précèdent l’injection principale. Les bornes supérieures et
inférieures sont choisies en fonction du point étudié (P1 P5). Il est à noter que les valeurs positives
présentées sur les différentes figures qui suivent correspondent à une avance par rapport au PMH
tandis que les valeurs négatives indiquent une injection après le PMH.
Expérimentalement, l’effet de l’avance à l’injection sur les émissions de BC est bien connu ; une
avance de l’injection conduit à une hausse des émissions de NOx.. Pour tous les points de
toujours constante durant ces tests pour les 5 points de fonctionnement. La concentration de BC
Le modèle de NOx capture bien l’effet de l’avance à l’injection. La concentration d’oxygène est
estimée par le modèle est par conséquent liée aux températures maximales max(Tad flame) et
max(Tavg) qui augmentent.(cf. Figure 176).
223
Chapitre V : Application
2000
3180 1950
max(T ad flam e) [K]
3140 1850
3120 1800
3100
0 5 10 15 0 5 10 15
SOI [°vil] SOI [°vil]
(a) (b)
Figure 176 : Variation des températures maximales en fonction de l’avance à l’injection principale (Point P5)
90
Banc Banc
80 150
Modèle
Modèle
70
NOx [ppm]
60
NO x [ppm ]
100
50
40
30 50
20
10
0 0
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
SOI [°vil] SOI [°vil]
(P1) (P2)
800
1500 Banc Banc
Modèle Modèle
600
NOx [ppm]
NO x [ppm ]
1000
400
500
200
0 0
-6 -4 -2 0 2 4 6 -2 0 2 4 6 8 10 12
SOI [°vil] SOI [°vil]
(P3) (P4)
224
Chapitre V : Application
Experimental
2000 model
NOx [ppm]
1500
1000
500
0
0 5 10 15
SOI [°vil]
(P5)
Figure 177 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage de l’avance à l’injection
Pour les émissions de suie, la Figure 179 montre une tendance opposée en fonction de l’avance à
l’injection. La fréquence de mélange et la concentration d’oxygène en excès ne sont pas concernées
dans cette étude. Par contre, l’estimation de suie par le modèle résulte d’une compétition entre les
autres paramètres de formation et d’oxydation. Tout d’abord, l’effet de l’avance à l’injection sur les
paramètres de formation est différent : avancer le début d’injection aboutit d’une part à une
combustion de pré-mélange plus importante et par conséquent à une masse réduite de carburant brûlé
en diffusion, mais d’autre part à une durée de combustion plus étendue (cf. Figure 178.c). En revanche,
les paramètres d’oxydation réagissent à l’avance à l’injection d’une façon similaire : élévation de la
température adiabatique de flamme (Figure 178.b), du pic de la pression cylindre (Figure 178.a) et de
la durée de la phase finale de combustion (Figure 178.d). Ces trois effets favorisent l’oxydation des
particules de suie. Comme résultat final, le modèle de suie a pu capter la tendance de variation des
émissions de suie même s’il y’avait un petit écart dans les valeurs estimées par rapport à
l’expérimental.
100 3000
95
2950
T ad flam e(CA80) [K]
90
m ax(P cyl ) [bar]
85
2900
80
75
2850
70
65 2800
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
SOI [°vil] SOI [°vil]
(a) (b)
225
Chapitre V : Application
41.5 23
41 22.5
22
CA 95 - C A05 [°vil]
38 19
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
SOI [°vil] SOI [°vil]
(c) (d)
Figure 178 : Variation des paramètres d’entrée du modèle de suie lors du balayage de l’avance à l’injection principale
pour le point P3
-3
x 10
Modèle 0.03 Modèle
12 Banc Banc
10
Suie [mg/cp]
Suie [mg/cp]
8 0.02
4 0.01
2
0 0
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
SOI [°vil] SOI [°vil]
(P1) (P2)
-3
x 10
0.014 7
Modèle Modèle
0.012 Banc 6 Banc
0.01
Suie [mg/cp]
5
Suie [mg/cp]
0.008 4
0.006 3
0.004 2
0.002 1
0 0
-5 0 5 -2 0 2 4 6 8 10
SOI [°vil] SOI [°vil]
(P3) (P4)
226
Chapitre V : Application
-3
x 10
Modèle
8 Banc
Suie [mg/cp]
6
0
0 5 10 15
SOI [°vil]
(P5)
Figure 179 : Comparaison calculs-expériences pour les émissions de suie lors du balayage de l’avance à l’injection
Le temps dwell est le temps qui sépare le début de l’injection pilote et le début de l’injection
principale. Dans les tests réalisés, on fixe l’avance à l’injection principale. C’est donc l’avance à
l’injection pilote qui est modifiée. Pour simplifier l’étude de ce paramètre, la stratégie d’injection du
carburant adoptée comporte une seule injection pilote qui précède l’injection principale. Les valeurs
du temps Dwell testées sur le banc moteur sont comprises entre 5 et 25 degrés vilebrequin. L’avance à
l’injection principale et la masse injectée lors de l’injection pilote sont fixées pour chaque point de
fonctionnement à leurs valeur nominales.
Les résultats exposés sur les Figure 181 et Figure 184 montrent la comparaison entre les données
expérimentales et estimées. Expérimentalement, on constate que les émissions de NOx évoluent peu,
avec un sens de variation dépendant du point de fonctionnement.
Concernant le modèle, la concentration en oxygène est constante, tandis que les températures max(Tad
flame) et max(Tavg) augmentent légèrement (cf. Figure 180) lorsque l’on avance l’injection pilote. Le
modèle prédit donc une hausse des émissions de NOx avec l’avance de l’injection pilote (dwell
augmente en valeur absolue).
227
Chapitre V : Application
3060
1615
3050 1610
m ax(T ad flam e) [K ]
3040 1605
max(T avg ) [K ]
1600
3030
1595
3020 1590
3010 1585
1580
3000
-25 -20 -15 -10 -5 -25 -20 -15 -10 -5
Temps dwell [°vil] Temps dwell [°vil]
(a) (b)
Figure 180 : Variation des températures maximales en fonction du Dwell pour le point P1
600
800 Banc
500 Modèle
700
400
NOx [ppm]
NOx [ppm]
600
300 500
Banc
200 Modèle 400
100 300
200
0
-25 -20 -15 -10 -5 -20 -15 -10 -5
Temps dwell [°vil] Temps dwell [°vil]
(P1) (P2)
400
NOx [ppm]
1000
300
200
500
100
0
-24 -22 -20 -18 -16 -14 -12
-20 -15 -10 -5 Temps dwell [°vil]
Temps dwell [°vil]
(P3) (P4)
228
Chapitre V : Application
1000
800
NOx [ppm]
600
Banc
400 Modèle
200
0
-25 -20 -15 -10
Temps dwell [°vil]
(P5)
Figure 181 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage de Dwell
En ce qui concerne les émissions de suie, la masse estimée des particules dépend principalement du
pourcentage du carburant injecté lors de l’injection pilote par rapport à la masse totale du carburant
injecté :
P1 : %pilote = 20 %
P2 : %pilote = 10%
P3 : %pilote = 6 %
P4 : %pilote = 14%
P5 : %pilote = 7%
La variation des émissions de suie pour les points P3 et P5 en fonction du temps dwell est presque
négligeable, tandis que les autres points présentent un effet plus significatif pour l’avance à l’injection
pilote. En effet, avancer l’injection pilote dont la masse est supérieure à 5% de la masse totale aboutit
au prolongement de la durée de combustion CA95-CA05 (cf. Figure 182.b). Plus ce pourcentage sera
élevé, plus cette dernière est affectée. On remarque bien sur les Figure 183.a et Figure 183.b que ce
paramètre est moins affecté pour les points P3 et P5. En revanche, la durée de combustion n’est pas le
seul paramètre qui est touché par le temps Dwell. La pression cylindre est de même affectée par ce
balayage comme le montre la Figure 182.a en favorisant l’oxydation de suie avec l’augmentation du
temps Dwell.
53 34
CA 95 - C A05 [°vil]
52.5 33.5
m ax(P cyl ) [bar]
52 33
51.5 32.5
51 32
50.5 31.5
50 31
-20 -15 -10 -5 -20 -15 -10
Temps dwell [°vil] Temps dwell [°vil]
(a) (b)
Figure 182 : Variation de max(Pcyl) et CA95-CA05 en fonction du Dwell pour le point P1
229
Chapitre V : Application
41 47.5
40.5 47
40 46.5
CA 95 - C A05 [°vil]
CA 95 -C A05 [°vil]
39.5 46
39 45.5
38.5 45
38 44.5
37.5 44
37 43.5
-20 -18 -16 -14 -12 -10 -8 -25 -20 -15 -10
Temps dwell [°vil] Temps dwell [°vil]
(a) (b)
Figure 183 : Variation de CA95-CA05 en fonction deDwell pour les points P3 (a) et P5 (b)
-3 -3
x 10 x 10
3
Modèle
2.5 Banc
3
Suie [mg/cp]
Suie [mg/cp]
1.5 2 Modèle
Banc
1
1
0.5
0 0
-20 -15 -10 -20 -15 -10 -5
Temps dwell [°vil] Temps dwell [°vil]
(P1) (P2)
-3 -3
x 10 x 10
5 4
Modèle Modèle
Banc Banc
4
3
Suie [mg/cp]
Suie [mg/cp]
3
2
2
1
1
0
0 -25 -20 -15 -10
-20 -18 -16 -14 -12 -10 -8
Temps dwell [°vil]
Temps dwell [°vil]
(P4)
(P3)
230
Chapitre V : Application
-3
x 10
Suie [mg/cp]
3
Modèle
Banc
2
0
-25 -20 -15 -10
Temps dwell [°vil]
(P5)
Figure 184 : Comparaison calculs-expériences pour les émissions de suie lors du balayage de Dwell
Cette section est consacrée à l’étude de l’effet de l’injection tardive de carburant (post-injection,
c’est-à-dire une injection supplémentaire après l’injection principale). Comme dans les tests
précédents, la masse du carburant injecté est maintenue constante durant les tests de balayage pour
chaque point de fonctionnement. C’est pourquoi, toute augmentation de la masse injectée lors de la
post-injection est prélevée de celle injectée lors de l’injection principale. Les avances à l’injection sont
de même fixées à leurs valeurs nominales. La masse de la post-injection est comprise entre 0 et 3 mg
par cycle moteur. Le pourcentage du débit de la post-injection par rapport à la consommation totale de
carburant diffère d’un point à un autre :
- P1 : entre 0 et 30 %
- P2 : entre 0 et 22 %
- P3 : entre 0 et 13 %
- P4 : entre 0 et 22 %
- P5 : entre 0 et 10 %
D’après les résultats exposés sur la Figure 186, les émissions de NOx mesurées baissent très
légèrement avec la post injection pour les points P1, P2, et P4. Les émissions sont quasiment
constantes pour les points P3 et P5. Cela semble lié au fait que le pourcentage de masse en post-
injection est moins modifié que pour les autres points.
Le modèle capture relativement bien ces tendances. La baisse est liée à la baisse des températures
max(Tad flame) et max(Tavg) (voir Figure 185).
231
Chapitre V : Application
3080 1680
3060 1660
m ax(T ad flam e) [K ]
3040 1640
m ax(T avg ) [K ]
3020 1620
3000 1600
2980 1580
2960 1560
2940 1540
0 1 2 3 4 0 1 2 3 4
mpost [mg] mpost [mg]
Figure 185 : Variation des températures maximales lors du balayge de débit de post-injection pour le point P4
Banc
400 Modèle
Banc
100
NOx [ppm]
300 Modèle
NOx [ppm]
200
50
100
0 0
0 0.5 1 1.5
mpost [mg] 2 2.5 0 0.5 1 1.5 2 2.5 3
mpost [mg]
(P1)
(P2)
NOx [ppm]
800 Modèle
300
600
200
400
200 100
0 0
0 0.5 1 1.5 2 2.5 3 0 1 2 3 4
mpost [mg] mpost [mg]
(P3) (P4)
232
Chapitre V : Application
1000
800
NOx [ppm]
600 Banc
Modèle
400
200
0
0 1 2 3 4
mpost [mg]
(P5)
Figure 186 : Comparaison calculs-expériences pour les émissions de NOx lors du balayage du débit de post-injection
Les suies présentent une tendance différente de celle des émissions de BC en fonction du débit de la
post-injection (cf. ). Les données expérimentales montrent une forme parabolique pour les masses de
suie en fonction de la masse injectée lors de la post-injection. La post-injection semble avantageuse
pour des quantités modérées injectées de carburant (autour de 1mg), tandis qu’elle devient une source
de production additionnelle de suie pour des masses de carburant qui dépassent le seuil optimal. En
revanche, le modèle de suie capte cette tendance pour quelques points de fonctionnement comme P2 et
P5. Pour P3 et P4, le modèle présente une augmentation continue des masses de suie en fonction de la
post-injection. Pour le point P1, le modèle capte les valeurs de suie plutôt que leur tendance.
L’évolution des émissions de suie face au balayage de débit de la post-injection est complexe. Pour le
modèle, le pourcentage de la masse de post-injection ainsi que le début de la post-injection jouent un
rôle essentiel dans la détermination des taux de formation et d’oxydation et par conséquent dans le
résultat final.
51 24
50 23
CA95 - C A70 [°vil]
CA 95 - C A05 [°vil]
49 22
48 21
47 20
46 19
45 18
0 0.5 1 1.5 2 2.5 3 3.5 0 0.5 1 1.5 2 2.5 3 3.5
m [mg] m [mg]
post post
(a) (b)
233
Chapitre V : Application
130
0.815
128
126
0.805
0.8 124
0.795
122
0.79
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3 3.5
mpost [mg] mpost [mg]
(c) (d)
Figure 187 : Variation des paramètres de formation et d’oxydation de suie lors du balayage du débit de post-injection
(Point P5)
Le cas où la masse de carburant injectée lors de la post-injection est autour de 5 % est représenté dans
les tests par la transition du point sans post-injection au point de 1 mg de post-injection. D’après la
Figure 188, cette transition diffère d’un point à un autre. Elle dépend en effet de la compétition entre la
réduction de la fréquence de mélange au pic du taux de dégagement de chaleur qui favorise la
formation de suie d’une part (voir Figure 187.c) et l’élévation de la pression cylindre maximale (voir
Figure 187.d) qui contribue à l’accélération de l’oxydation des particules d’autre part. Ensuite, toute
augmentation additionnelle dans la quantité de carburant injectée lors de la post-injection augmente
de plus en plus la durée de combustion et réduit le temps d’oxydation ou la durée tardive de
combustion, ce qui aboutit à une augmentation des émissions de suie (cf. Figure 188).
234
Chapitre V : Application
-3
x 10
2.5 0.015
Modèle
Banc
Modèle
2 Banc
S uie [m g/cp]
Suie [mg/cp]
0.01
1.5
1
0.005
0.5
0 0
0 0.5 1 1.5 2 2.5 3 0 1 2 3
mpost [mg]
(P1) mpost [mg]
(P2)
-3
x 10
0.01
Modèle 6 Modèle
Banc Banc
0.008 5
Suie [mg/cp]
Suie [mg/cp]
0.006 4
3
0.004
2
0.002
1
0 0
0 1 2 3 0 1 2 3 4
mpost [mg] mpost [mg]
(P3) (P4)
-3
x 10
5
Modèle
Banc
4
Suie [mg/cp]
235
Chapitre V : Application
Dans cette partie, on cherche à quantifier plus précisément les taux de variation des émissions lors des
balayages mono-paramétrés. Pour ce faire, on se sert des essais de balayages exposés dans les sections
ces paramètres. Ceci est assuré à travers le calcul de la pente des courbes de balayage obtenues
d’obtenir les ”Z5] BC et ”Z5] [K8Z correspondants aux variations des paramètres de balayages ∆5
précédemment qui sont approximées par des lignes droites. Ensuite, ces pentes sont utilisées afin
données dans le . Une partie de ces valeurs est donnée par les constructeurs dans une liste des
incertitudes des capteurs de mesure expérimentale utilisés sur le banc, tandis qu’une deuxième partie
est extraite des résultats de l’analyse de sensibilité effectuée dans les chapitres III et IV.
100 1 1 10 37.5 1 1
Les résultats de la comparaison entre la simulation et le banc moteur sont présentés sur les Figure 189
taux d’EGR et la pression d’injection du carburant présentent les pentes de variation de NO3 et de suie
et Figure 190. Les deux modèles présentent des tendances très proches de celles expérimentales. Le
tendance des NO3 . Comme déjà mentionné dans les parties précédentes, les pentes de variation de
les plus élevées. L’avance à l’injection principale présente en plus un effet considérable sur la
BC et de suie en fonction des autres paramètres comme la pression d’admission, le temps dwell et la
masse de post-injection semblent très proches de 1.
100 200
Banc
Banc
Modèle
80 Modèle
150
deltaN Ox [ppm ]
deltaNOx [ppm]
60
100
40
50
20
0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Prail mpil1 SOI EGR Pcol Tdwell mpost Prail mpil1 SOI EGR P col Tdwell mpost
(P1) (P2)
600 250
Banc
Banc
500 Modèle
Modèle 200
deltaNOx [ppm]
deltaNOx [ppm]
400
150
300
100
200
100 50
0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Prail mpil1 SOI EGR Pcol Tdwell mpost Prail mpil1 SOI EGR Pcol Tdwell mpost
(P3) (P4)
236
Chapitre V : Application
400
Banc
300 Modèle
deltaNOx [ppm]
200
100
0
1 2 3 4 5 6 7
Prail mpil1 SOI EGR Pcol Tdwell mpost
Figure 189 : Comparaisons entre les pentes simulées et expérimentales de variation de ÅÆÇ pour les divers tests de
(P5)
balayage
-3
x 10 0.025
5 Banc
Banc
Modèle
Modèle 0.02
4
deltaSuie [mg]
deltaSuie [mg]
0.015
3
0.01
2
0.005
1
0
0 1 2 3 4 5 6 7
1 2 3 4 5 6 7 Prail mpil1 SOI EGR P col Tdwell mpost
Prail mpil1 SOI EGR P col Tdwell mpost
(P1) (P2)
-3
0.02 x 10
5
Banc Banc
Modèle Modèle
0.015 4
deltaSuie [mg]
deltaSuie [m g]
3
0.01
0.005
1
0 0
1 2 3 4 5 6 7 1 2 3 4 5 6 7
Prail mpil1 SOI EGR P col Tdwell mpost Prail mpil1 SOI EGR P col Tdwell mpost
(P3) (P4)
237
Chapitre V : Application
0.014
Banc
0.012 Modèle
0.01
deltaSuie [mg]
0.008
0.006
0.004
0.002
0
1 2 3 4 5 6 7
Prail mpil1 SOI EGR P col Tdwell mpost
(P5)
Figure 190 : Comparaisons entre les pentes simulées et expérimentales de variation de Suie pour les divers tests de
balayage
Dans les sections précédentes, on a vu que les modèles de NOx et de suie ont capturé les tendances
négligeables. On étudie dans cette partie les résultats en termes de compromis BC /LG. En général, la
d’évolution pour la plupart des paramètres moteurs, avec parfois des écarts quantitatifs non
Les compromis NOx/PM ne sont pas représentés ici pour toutes les conditions de fonctionnement
décrites précédemment, mais uniquement pour quelques conditions pour lesquelles les variations sont
importantes, à savoir le balayage de la pression d’injection et du taux d’EGR. Les résultats sont
présentés sur les Figure 191 et Figure 192. La comparaison entre les allures expérimentales et simulées
montre une relative similarité malgré les erreurs quantitatives observées séparément pour les émissions
de NOx et de suie. Ainsi, dans la plupart des cas, une surestimation des émissions de NOx est
accompagnée d’une sous-estimation des émissions de suie (et inversement), si bien que les allures des
compromis NOx/PM sont relativement bien capturées par les modèles.
120 200
Banc Banc
Modèle Modèle
110 180
100
160
N O x [ppm ]
N O x [ppm ]
90
140
80
120
70
100
60
50 80
0 0.005 0.01 0.015 0.02 0.025 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
Suie [mg/cp] Suie [mg/cp]
(P1) (P2)
238
Chapitre V : Application
3500 550
Banc Banc
Modèle Modèle
3000 500
450
2500
NOx [ppm]
N Ox [ppm]
400
2000
350
1500
300
1000
250
500 200
0 0.002 0.004 0.006 0.008 0.01 0.012 0 0.002 0.004 0.006 0.008 0.01 0.012 0.014 0.016 0.018
Suie [mg/cp] Suie [mg/cp]
(P3) (P4)
1800
Banc
Modèle
1600
1400
NOx [ppm]
1200
1000
800
600
400
0 0.005 0.01 0.015 0.02
Suie [mg/cp]
Figure 191 : Simulation du compromis ÅÆÇ /Suie en comparaison avec les données expérimentales (balayage de la
(P5)
450 800
Banc Banc
400 Modèle 700 Modèle
350
600
300
500
NOx [ppm]
NOx [ppm]
250
400
200
300
150
200
100
50 100
0 0
0 0.005 0.01 0.015 0.02 0.025 0.03 0 0.02 0.04 0.06 0.08 0.1 0.12
Suie [mg/cp] Suie [mg/cp]
(P1) (P2)
239
Chapitre V : Application
1400 550
Banc Banc
Modèle 500 Modèle
1200
450
1000
400
N O x [ppm ]
N O x [ppm ]
800 350
600 300
250
400
200
200
150
0 100
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 2 4 6 8 10 12 14
Suie [mg/cp] Suie [mg/cp] -3
x 10
(P3) (P4)
900
Banc
800 Modèle
700
600
NOx [ppm]
500
400
300
200
100
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035
Suie [mg/cp]
Figure 192 : Simulation du compromis ÅÆÇ /Suie en comparaison avec les données expérimentales (balayage du taux
(P5)
d’EGR à iso-Padm)
240
Chapitre V : Application
Dans cette section, on va utiliser une description des pertes plus détaillée avec des modèles empiriques
de température pour les 3 parties déjà recensées du cylindre en fonction des températures d’eau et
d’huile, du régime de rotation et de la pression moyenne indiquée développées à partir de mesures
expérimentales effectuées sur des moteurs Diesel automobiles par [148] [149] :
^ Ž Š‹ •
= 86.4 + 1.45 ∗ LG/ + 0.0044 ∗ B + 0.75 ∗ ±^ − 90) (5.2)
^ Ž¡ •##
= 83.2 + 2.94 ∗ LG/ + 0.008 ∗ B + 0.75 ∗ ±^ − 90) (5.3)
^ Š# $‹
= 14.4 + 10.9 ∗ LG/ + 0.03 ∗ B + 0.4 ∗ ±^T # − 90) (5.4)
La culasse et le cylindre sont supposés refroidis par l’eau, tandis que la température du piston est reliée
à la température d’huile.
En outre, le modèle de Woschni pour les pertes aux parois a été remplacé dans cette étude par le
ÕKW´Z •.Ô
ℎ" = 3 ∗ `"I ∗ ^"I ∗ L"I ∗ ²B ∗ + 1.4³
I M
$(
30
3, cT , fT , ¢T : sont les coefficients de calibration spécifiques du modèle de Hohenberg
(5.5)
En ce qui concerne les tests expérimentaux, les essais effectués pour cette étude comportent au total 24
points de fonctionnement :
- 6 tests pour chacun des points recensés ci-avant, qui consistent à balayer les températures
d’eau et d’huile en figeant tous les paramètres du contrôle moteur. La figure 193 contre la
combinaison Teau/Thuile correspondant à ces 6 tests.
Finalement, un recalage des paramètres du modèle de Hohenberg et du modèle de Barba pour chacun
des 4 points de fonctionnement a été effectué afin d’obtenir une précision maximale dans le taux net
de dégagement de chaleur.
241
Chapitre V : Application
90 T°huile
T°eau
Température [°C]
60
30
0
1 2 3 4 5 6
N° point [-]
Figure 193 : Combinaisons Teau/Thuile pour les différents tests effectués
tendance croissante des émissions de BC est obtenue pour les 4 points de fonctionnement en allant du
.Les résultats de simulation des émissions de NOx sont présentés sur la Figure 194. En général, une
tests effectués. En effet, les pentes de variation de BC pour (1 2), (3 4) et (5 6) sont beaucoup
test 1 vers le test 6. Mais cette augmentation ne suit pas toujours la même pente entre les différents
plus fortes que celles de (2 3) et (4 5). Ces dernières sont parfois très proches de zéro ou même
légèrement négatives (Surtout pour PF2 et PF4). Si on observe les balayages (2 3) et (4 5) sur la
figure 193, on remarque qu’ils se caractérisent par la même température d’eau mais une augmentation
1000
NOx [ppm]
N O x [ppm ]
1200
950
1100
900
1000
850
900 800
1 2 3 4 5 6 1 2 3 4 5 6
N° point N° point
(PF1) (PF2)
242
Chapitre V : Application
N = 2000 tr/min / PME = 4 bars (Avec EGR) N = 2000 tr/min / PME = 4 bars (Sans EGR)
80 350
Banc
70 Modèle
300
60
NOx [ppm]
NOx [ppm]
50
250
40
Banc
30 Modèle
200
20
10 150
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
N° point N° point
Figure 194 : Réponse du modèle de ÅÆÇ aux balayages des températures d’eau et d’huile et comparaison avec les
(PF3) (PF4)
données expérimentales
3080 1890
m ax(Tad flam me) [K ]
3075 1880
max(Tavg) [K]
3070 1870
3065 1860
3060 1850
3055 1840
3050 1830
1 2 3 4 5 6 1 2 3 4 5 6
N° point [-] N° point [-]
(a) (b)
Figure 195 : Variations des pics de température adiabatique de flamme (a) et de température spatiale moyenne (b) pour
le point de fonctionnement PF2
estimées de BC . La température moyenne dans le cylindre est influencée par la température des
La Figure 195 montre clairement la similitude entre les allures des températures et des émissions
- le réchauffement de l’air lors de la phase d’admission est réduit, du fait d’un écart de
température moindre entre gaz et parois
- pendant les phases de compression /combustion/ détente les pertes thermiques par les parois
sont augmentées à cause d’un écart de température gaz-parois plus élevé (au moins au départ).
- enfin, l’augmentation légère du rendement volumétrique et donc de la masse enfermée conduit
aussi à un abaissement de la température au cours de la combustion (Rapport Air/carburant
plus élevé)
243
Chapitre V : Application
La température adiabatique de flamme n’est quant à elle pas influencée directement par la
modification des échanges aux parois, mais de manière indirecte : en effet, une réduction de la
température moyenne en début de combustion se traduit par une diminution identique de la
température adiabatique de flamme. La valeur maximale de cette dernière peut aussi être affectée par
des changements dans le phasage de la combustion, liés à l’allongement du délai d’inflammation
lorsque la température décroit.
Contrairement aux émissions de NO3 les émissions de suie ne présentent pas d’évolution claire en
fonction des températures d’eau et d’huile, (Figure 196). Cela s’explique par le fait que les
changements de température des parois ont des effets à la fois sur la production et sur l’oxydation des
suies, l’effet prédominant variant d’un point de fonctionnement et d’un test à l’autre. La Figure 197
détaille les évolutions des paramètres affectés par ces tests pour le point PF3. Oon peut diviser les 6
points étudiés en deux séries distinctes : la première est la transition de 1 à 3 et la deuxième de 4
jusqu’à 6. La transition de 3 à 4 est différente des autres, du fait qu’on augmente la température d’eau
d’une part mais on diminue celle de l’huile d’autre part. Le résultat de cette transition ou même son
effet sur les différents paramètres physiques du modèle de suie n’est pas évident. Les paramètres de
formation touchés par ces tests sont la durée de combustion et le temps caractéristique de mélange. La
durée de combustion présente une augmentation pour les deux séries mentionnées, lorsque les
températures de l’eau et de l’huile augmentent, tandis qu’elle reste constante entre 3 et 4 (Figure
197.a). Cet effet est lié au CA05 qui est avancé à cause du délai d’AI plus court. La Figure 197.e
montre que l’augmentation des températures d’eau et d’huile réduit la fréquence de mélange dans la
chambre de combustion. Pour une température d’eau de 90 °C, la fréquence de mélange est peu
affectée par les variations de température d’huile (série 4 à 6). Parmi les paramètres d’oxydation,
comme attendu, la température adiabatique de flamme à CA80 augmente avec les températures d’eau
et d’huile. Cette augmentation s’explique par une hausse globale de la température moyenne,
notamment au début de la combustion qui perdure pendant toute la combustion. La pression cylindre
maximale présente une tendance semblable (sauf pour la transition de 3 à 4 à cause de la réduction de
la température d’huile) que l’on peut expliquer par un avancement de la combustion lié à la réduction
du délai. Il en est de même pour la durée d’oxydation, qui présente néanmoins une évolution moins
franche pour la série de 1 à 3.
La Figure 196 montre les résultats de simulation pour les 4 points de fonctionnement étudiés. Le
modèle capture correctement les tendances expérimentales pour les points PF1 et PF3, mais est moins
performant pour les points PF2 et PF4. Ces derniers se caractérisent par de faibles valeurs de suie et
de faibles amplitudes de variation (de l’ordre de 0.001 mg/cp) lors des changements de température
des fluides tandis que PF1 et PF3 présentent des niveaux de suie et des amplitudes de variation plus
élevées (de l’ordre de 0.01 mg/cp ). Cela peut expliquer pourquoi le modèle est moins précis au niveau
des tendances pour les points PF2 et PF4, même s’il présente une bonne précision au niveau des
valeurs absolues d’émissions de suie.
244
Chapitre V : Application
-3
N = 1500 tr/min / PME = 17 bars x 10 N = 2500 tr/min / PME = 13 bars
0.04 4.8
Banc Banc
Modèle 4.6 Modèle
0.035
4.4
Suie [mg/cp]
Suie [mg/cp]
0.03 4.2
4
0.025
3.8
3.6
0.02
3.4
0.015
1 2 3 4 5 6 1 2 3 4 5 6
N° point N° point [-]
(PF1) (PF2)
-3
N = 2000 tr/min / PME = 4 bars (Avec EGR) x 10 N = 2000 tr/min / PME = 4 bars (Sans EGR)
0.014 3.6
Banc Banc
0.012 Modèle Modèle
3.4
0.01
Suie [mg/cp]
Suie [mg/cp]
0.008 3.2
0.006 3
0.004
2.8
0.002
0
1 2 3 4 5 6 1 2 3 4 5 6
N° point N° point
(PF3) (PF4)
Figure 196 : Réponse du modèle de Suie aux balayages des températures d’eau et d’huile et comparaison avec les
données expérimentales
46
22
44
CA 95 - C A05 [°vil]
21
CA 95 - C A70 [°vil]
42
20
40
38 19
36
18
34
1 2 3 4 5 6 1 2 3 4 5 6
N° point N° point
(a) (b)
245
Chapitre V : Application
54 2080
53.5
2060
2040
52.5
52 2020
51.5
2000
51
1980
1 2 3 4 5 6 1 2 3 4 5 6
N° point N° point
(c) (d)
1.3
1.2
1.1
1
τ char [m s]
0.9
0.8
0.7
0.6
0.5
1 2 3 4 5 6
N° point
(e)
Figure 197 : Variations des paramètres physiques essentiels influençant le modèle de suie pour le point PF3
246
247
248
Conclusion et Perspectives
Conclusion et Perspectives
249
Conclusion et Perspectives
Deux modèles originaux d’émission de NOx et de suie ont été développés au cours de cette étude. Il
s’agit de modèles semi empiriques : les émissions sont reliées à un certain nombre de paramètres
physiques (comme des températures caractéristiques, la concentration en oxygène, le niveau de
pression ou le temps caractéristique de mélange). Ces paramètres physiques ont été sélectionnés en se
basant sur la littérature mais aussi à partir de l’analyse de résultats expérimentaux. Ils sont évalués
grâce à une approche thermodynamique 0D résolue à l’échelle du cycle (modèle haute fréquence) qui
utilise un modèle de combustion existant (modèle de Barba) auquel a été adjointe une approche de
type « deux zones » pour accéder à la température adiabatique de flamme. En revanche l’évaluation
des émissions concerne uniquement les valeurs finales (à l’ouverture de l’échappement) : il n’y a pas
d’évaluation des concentrations au cours du cycle. Cette approche offre deux avantages :
- Une procédure automatisée originale, basée sur une approche séquentielle et l’utilisation
d’outils d’optimisation mathématique, a été créée pour calibrer le modèle de combustion de
Barba.
- Les modèles d’émission ont été élaborés puis initialement calibrés à partir des résultats
expérimentaux (Champ ISO) obtenus sur un premier moteur.
- Ils ont ensuite été calibrés pour un deuxième moteur (toujours à partir d’un champ ISO). Cette
deuxième phase a montré la transposition aisée des modèles d’un moteur à l’autre. Elle a
également permis de caractériser la précision des modèles en fonction du nombre de points
utilisés pour la calibration. Une trentaine de points est suffisante pour obtenir des résultats
corrects. Avec une centaine de points la précision obtenue est maximale : pour les émissions
de NOx plus de 95% des points du champ moteur simulés se trouvent dans une fourchette de
+/- 20% par rapport aux valeurs expérimentales. Pour les suies, un coefficient de corrélation
R2 de 0.93 est obtenu.
Des études de sensibilité ont également été réalisées pour quantifier les incertitudes sur les
entrées expérimentales des modèles (principalement les conditions à l’admission : pression, masse
admise, dilution par l’EGR) et leurs effets sur les calculs d’émissions. Il en ressort que la précision
effectivement obtenue par les modèles ne semble pas pouvoir être améliorée compte tenu de ces
incertitudes.
Si les modèles sont convaincants pour représenter les émissions sur un champ régime charge
pour une calibration moteur donnée, il est également nécessaire de vérifier qu’il répondent
correctement pour un régime et une charge donnée, à des variations de paramètres de calibration. Pour
ce faire plusieurs études mono-paramétrées ont été effectuées, relatives aux principaux paramètres de
mise au point : pression d’admission et taux d’EGR, avance et pression d’injection, taux
d’introduction du carburant. Les résultats des modèles sont la plupart du temps satisfaisant, tant au
plan qualitatif (tendance d’évolution) qu’au plan quantitatif (niveau absolu d’émission). Néanmoins,
les cas les plus difficiles font apparaitre les limites des modèles : ils semblent incapables de décrire
correctement des coupures d’injection pilote (combustion fortement pré-mélangée), les effets du dwell
entre les injections pilote et principale ou encore de la pression d’admission à iso EGR. Ces effets sont
particulièrement complexes car plusieurs paramètres physiques sont affectés et les émissions finales
sont le résultat de compensations entre effets opposés. Ainsi les tendances d’évolution diffèrent d’un
point à l’autre.
250
Conclusion et Perspectives
- La méthode d’extrapolation, qui est adoptée pour la cartographie pour qu’elle puisse couvrir
les points non inclus dans les essais de champs ISO est également perfectible. Des tests
expérimentaux spécifiques permettant d’atteindre des niveaux de NOx plus élevés que ceux
rencontrés avec la calibration standard dans le champ régime charge pourraient être utilisés
afin de définir une extrapolation de la cartographie non plus mathématique mais
phénoménologique.
- Pour le modèle de suie, une difficulté majeure concerne la distinction entre production et
oxydation. Si l’observation directe de l’évolution des niveaux de suie dans le cylindre au cours
du cycle est délicate à mettre en œuvre, des expérimentations spécifiques pourraient être
envisagées. Elles pourraient consister par exemple, à tenter de maintenir constants les
paramètres censés contrôler un de ces deux processus tout en faisant varier un paramètre censé
contrôler l’autre.
- Par ailleurs, l’évaluation des niveaux élevés de suie par le modèle est imprécise. Comme pour
les NOx, une adaptation de la méthodologie de calibration pourrait peut-être améliorer les
résultats dans ces conditions.
- Les résultats des modèles d’émissions sont évidemment tributaires de la précision des entrées.
C’est pourquoi il serait pertinent d’améliorer les points suivants : estimation de la teneur en
gaz résiduels et de la température à la fermeture de la soupape d’admission, estimation des
échanges thermiques par les parois et bien sûr du dégagement de chaleur de combustion.
- Enfin, pour compléter les modèles de NOx et suies, il serait intéressant de développer des
modèles capables d’évaluer les concentrations à l’échappement en CO et HC qui peuvent
jouer un rôle important dans le fonctionnement des systèmes de post-traitement.
Plusieurs voies sont envisageables pour l’application des modèles développés. Naturellement ils
peuvent être utilisés au sein d’un simulateur 0D représentant un cylindre, comme dans cette étude,
pour évaluer des émissions sur un point de fonctionnement stabilisé, ou l’intégralité du moteur s’il
s’agit d’évaluer les émissions en fonctionnement transitoire, par exemple sur un cycle de conduite.
Dans ce dernier cas, néanmoins, l’utilisation de la simulation HF conduit à des temps de calcul
important qui peut se révéler prohibitif. C’est pourquoi l’utilisation d’une approche « modèle moyen »
pour la simulation du moteur est à envisager. Deux voies s’offrent alors pour pouvoir utiliser les
modèles de polluants développés dans cette étude. La première consiste à utiliser le modèle HF
comme « banc d’essais numérique » pour remplir des cartographies permettant aux modèles moyens
d’évaluer les paramètres physiques qui constituent les entrées des modèles d’émissions. Une
alternative serait de « réduire » les modèles HF pour conserver une modélisation « physique » au sein
de l’approche « modèle moyen ».
Ainsi les modèles développés peuvent intervenir à différents niveaux de la mise au point des
moteurs, pour de la pré-calibration ou des tests de diagnostic embarqué (OBD) ou encore pour tester
des composants et des stratégies avec une approche « Hardware in the loop ».
251
252
Références Bibliographiques
Références Bibliographiques
253
Références Bibliographiques
[3] Yvonnick Gazeau. (2012, avril) Le moteur Diesel Face à l'Euro 6. [Online]. http://www.auto-
innovations.com
[4] Brian E. Milton, Thermodynamics, Combustion and Engines. Sydney: School of Mechanical and
Manufacturing Engineering UNSW, 2005.
[5] Willard W. Pulkrabek, Engineering Fundamentals of The Internal Combustion Engine. Platteville:
Prentice Hall.
[6] Klaus Mollenhauer and Helmut Tschöke, Handbook of Diesel Engines. Magdeburg: Springer,
2010.
[7] J. Dec and C. Espey, "Ignition and Early Soot Formation in a DI Diesel Engine Using Multiple 2-D
Imaging Diagnostics," in SAE paper 950456, 1995.
[8] C. Espey and J. Dec, "Diesel Engine Combustion Studies in a Newly Designed Optical Access
Engine Using High-Speed Visualization and 2-D laser Imaging," in SAE paper 930971, 1993.
[9] J. Dec, "A Conceptual Model of DI Diesel Combustion Based on Laser-Sheet Imaging," SAE paper
no. 970873, pp. 1319-1348, 1997.
[10] Patrick Flynn et al., "Diesel Combustion: An Integrated View Combining Laser Diagnostics,
Chemical Kinetics, and Empirical Validation," in SAE International Paper, Detroit, 1999.
[11] Mark Musculus, John Dec, Lyle Pickett, and Cherian Idicheria, "In-cylinder Imaging of
Conventional and Advanced, Low-Temperature Diesel Combustion," in Diesel Engine Emissions
Reduction Conference, Pamer House Hilton, Chicago IL, August 25, 2005.
[12] Colin R. Ferguson and Allan T. Kirkpatrick, Internal Combustion Engines - Applied
Thermosciences. Coloroda State: John Wiley & Sons, Inc., 2001.
[14] H. Hiroyasu and M. Arai, Structures of Fuel Sprays in Diesel Engines, 1990.
254
Références Bibliographiques
Rouen, 2004.
[18] W. A. Majewsky and M. K. Khair, Diesel emissions and their control.: SAE Edition, 2006.
[19] Carole Querel, Modélisation des émissions de NOx pour le contrôle des moteurs diesel, 2013.
[20] Luke Curtis, William Rea, Patricia Smith-Willis, Ervin Fenyves, and Yaqin Pan, "Adverse health
effects of outdoor air pollutants," Environment International, vol. 32, no. 6, pp. 815-830, 2006.
[21] G. A. Lavoie , J. B. Heywood, and J. C. Keck, "Experimental and Theoretical Study of Nitric Oxide
Formation in Internal Combustion Engines," Combustion Science and Technology, vol. 1, pp.
313-326, 1970.
[22] Junyong Lee et al., "The Development of Real-time NOx Estimation Model and its Application,"
SAE International, no. 2013-01-0243, Aug. 2013.
[24] E. Müller and M. Zillmer, "Modeling of Nitric Oxide and Soot Formation in Diesel Engine
Combustion," SAE International Paper, no. 982457, 1998.
[26] T. T. Chan and G. L. Borman, An Experimental Study of Swirl and EGR Effects on Diesel
Combustion by Use of the Dumping Method, 1983.
[27] T. Ahmad and S. L. Plee, Application of Flame Temperature Correlations to Emissions from a
Direct-Injection Diesel Engine, 1983.
[28] S. L. Plee, T. Ahmad, J. P. Myers, and G. M. Faeth, "Diesel NOx Emissions - A Simple Correlation
Technique for Intake Air Effects," Proceedings of the Combustion Institute, no. 19, pp. 1495-
1502, 1982.
[29] S. L. Plee, T. Ahmad, and J. P. Myers, Flame Temperature Correlations for the Effects of Exhaust
Gas Recirculation on Diesel Particulate and NOx Emissions, 1981.
[30] R. Miller, G. Davis, and G. Lavoie, "A Super-Extended Zel'dovich Mechanism for Nox Modeling
and Engine Calibration," SAE Technical Paper, no. 980781, 1998.
255
Références Bibliographiques
[32] M.V. K. Raggi and J. R. Sodré, "Improvement of a Model for Calculation of Oxides Nitrogen
Emissions from Spark Ignition Engines," SAE Technical Paper, no. 2004-01-3001, 2004.
[34] A. M. Mellor, J. P. Mello, K. P. Duffy, W. L. Easley, and J. C. Faulker, "Skeletal Mechanism for
NOx Chemistry in Diesel Engines," SAE Technical Paper, no. 981450, pp. 786-801, 1998.
[36] P. C. Malte and D. T. Pratt, "The role of energy-releasing kinetics in NOx formation: fuel lean,
jet-stirred CO-air combustion," Combust. Sci. Tech. 9, pp. 221-231, 1974.
[37] W. Polifke, K. Dobbeling, T. Sattelmayer, D. G. Nicol, and P. C. Malte, "A NOx prediction scheme
for lean-premixed gas turbine combustion based on detailed chemical kinetics," ASME Paper,
no. 95-GT-108, 1995.
[38] W. L. Easley, A. M. Mellor, and S. L. Plle, "NO Formation and Decomposition Models for DI
Diesel Engines," SAE Technical Paper, no. 2000-01-0582, 2000.
[39] W. L. Easley and A. M. Mellor, "NO Decomposition in Diesel Engines," SAE Technical Paper, no.
1999-01-3546, 1999.
[40] M. K. Khair and H. Jääskeläinen, Emission Formation in Diesel Engines.: Diesel Net Technology
Guide, 2008.
[41] J.P. A. Neeft, M. Makkee, and J. A. Moulijn, "Diesel particulate emission control”, Fuel
Processing Technology," Fuel Processing Technology, vol. 47, pp. 1-69, 1996.
[42] C. A. Amann and D. C. Siegla, Diesel Particulates-What They Are and Why, 1981.
[44] I. S. Abdul-Khalek , D. B. Kittelson, B. R. Graskow, Q. Wei, and F. Brear, "Diesel Exhaust Particle
Size: Measurement Issues and Trends," SAE Technical Paper, no. 980525, 1998.
[45] H. Burtscher, "Physical characterization of particulate emissions from diesel engines: a review,"
Journal of Aerosol Science, vol. 36, pp. 896-932, 2005.
[46] M. Sharma, A. K. Agarwal , and K.V. L. Bharathi, "Characterization of exhaust particulates from
diesel engine," ATMOSPHERIC ENVIIRONMENT, vol. 39, pp. 3023-3028, 2005.
[47] L. M. Pickett and D. L. Siebers, "Soot in diesel fuel jets: effects of ambient temperature,
256
Références Bibliographiques
ambient density, and injection pressure," Combustion and Flame, vol. 138, pp. 114-135, 2004.
[48] D. L. Tree and K. L. Svensson, "Soot processes in compression ignition engines," Progress in
Energy and Combustion Science, vol. 33, pp. 272-309, 2007.
[49] M. Murat and C. Charpentier, LA POLLUTION PAR LES MOTEURS DIESEL, 1986-1987.
[50] D. B. Kittelson, "Oxidation of Soot Agglomerates in a Direct Injection Diesel Engine," SAE
Technical Paper, no. 920111, 1992.
[51] A. Maiboom et al., "Various effects of EGR on combustion and emissions on an automotive DI
Diesel engine: numerical and experimental study," JSAE/SAE International Fuel and Lubricants
Meeting, no. 20077221,2007-01-1834, 2007.
[52] N. Ladommatos, S. M. Abdelhalim, H. Zhao, and Z. Hu, "The Effects on Diesel Combustion and
Emissions of Reducing Inlet Charge Mass Due to Thermal Throttling with Hot EGR," SAE
Technical Paper, no. 980185, 1998.
[53] Y. Zhu, H. Zhao, and N. Ladommatos, "Computational Study of the Effects of Injection Timing,
EGR, and Swirl Ratio on a HSDI Multi-Injection Diesel Engine Emission and Performance," SAE
Technical Paper, no. 2003-01-0346, 2003.
[54] M. Jia, M. Xie, T. Wang, and Z. Peng, "The effect of injection timing and intake valve close
timing on performance andemissions of diesel PCCI engine with a full engine cycle CFD
simulation," Applied Energy, vol. 88,Iss 9, pp. 2967-2975, September 2011.
[55] P. J. Shayler and H. K. Ng, "Simulation Studies of the Effect of Fuel Injection Pattern on NO and
Soot Formation in Diesel Engines," SAE Technical Paper, no. 2004-01-0116, 2004.
[56] F. Mallamo, M. Badami, and F. Millo, "Effect of Compression Ratio and Injection Pressure on
Emissions and Fuel Consumption of a Small Displacement Common Rail Diesel Engine," SAE
Technical Paper, no. 2005-01-0379, 2005.
[57] C. Park, S. Kook, and C. Bae, "Effects of Multiple Injections in a HSDI Diesel Engine Equipped
With Common Rail Injection System," SAE Technical Paper, no. 2004-01-0127, 2004.
[58] M. A. Patterson, S.-C. Kong , G. J. Hampson, and R. D. Reitz, "Modeling the Effects of Fuel
Injection Characteristics on Diesel Engine Soot and NOx Emissions," SAE TEchnical Paper, no.
940532, 1994.
[59] P. F. Pierpont and R. Reitz, "Effects of Injection Pressure and Nozzle Geometry on D.I. Diesel
Emissions and Performance," SAE Technical Paper, no. 950604, pp. 1041-1050, 1995.
[60] S. Shundoh, M. Komori, and K. Tsujimura, "NOx Reduction from Diesel Combustion Using Pilot
Injection with High Pressure Fuel Injection," SAE Technical Paper, no. 920461, pp. 25-36, 1992.
257
Références Bibliographiques
[61] D. A. Nehmer and R. D. Reitz, "Measurement of the Effect of Injection Rate and Split Injections
on Diesel Engine Soot and NOx Emissions," SAE Technical Paper, no. 940668, pp. 55-66, 1994.
[62] T. C. Tow, D. A. Pierpont, and R. D. Reitz, "Reducing Particulate and NOx Emissions by Using
Multiple Injections in a Heavy Duty D.I. Diesel Engine," SAE Technical Paper, no. 940897, pp.
201-215, 1994.
[63] J. Benajes, S. Molina, and J. M. Garcia, "Influence of Pre- and Post-Injection on the Performance
and Pollutant Emissions in a HD Diesel Engine," SAE Technical Paper, no. 2001-01-0526, 2001.
[64] J. O'Connor and M. Musculus, "Post Injections for Soot Reduction in Diesel Engines: A Review of
Current Understanding," SAE Int J. Engines, vol. 6, Issue 1, no. 2013-01-0917, pp. 400-421,
2013.
[65] http://www.planeterenault.com.
[66] G. Mauviot, A. Albrecht, and T. J. Poinsot, "A new 0D approach for Diesel combustion modelling
coupling probability density function with complex chemistry," SAE Technical Paper, no. 2006-
01-3332, 2006.
[67] N. Bordet, C. Caillol, and P. Higelin, "A Physical 0D Combustion Model Using Tabulated
Chemistry With Presumed Probability Density Function Approach for Multi-Injection Diesel
Engines," SAE Technical Paper, no. 2010-01-1493, 2010.
[69] F. Chmela and G. Orthaber, "Rate of heat Release Prediction for Direct Injection Diesel Engines
based on Purely Mixing Controlled Combustion," SAE International paper, no. 1999-01-0186,
1999.
[71] R. Lebas, M. Fremovici, G. Font, and F. Le Berr , "A Phenomenological Combustion Model
Including In-Cylinder Pollutants To Support Engine Control Optimization Under Transient
Conditions," JSAE/SAE Technical Paper, no. 20119099/2011-01-1837, 2011.
[72] D. Jung and D. N. Assanis, "Multi-Zone DI Diesel Spray Combustion Model for Cycle Simulation
Studies of Engines Performance and Emissions," SAE International paper, no. 2001-01-1246,
2001.
[73] I. Arsie et al., "Multi-Zone Predictive Modeling of Common Rail Multi-Injection Diesel Engines,"
SAE Technical Paper, no. 2006-01-1384, 2006.
258
Références Bibliographiques
[74] T. Jaine, Simulation zéro dimensionnelle de la combustion dans un moteur Diesel à injection
directe, 2004.
[75] I. Arsie et al., "Development and Identification of Phenomenological Models for Combustion
and Emissions of Common-Rail Multi-Jet Diesel Engines," SAE Technical Paper, no. 2004-01-
1877, 2004.
[76] J. Arrègle, J. Javier Lopez, J. Martin, and E. M. Mocholi, "Development of a mixing and
Combustion Zero-Dimensional Model for Diesel Engines," SAE International Paper, no. 2006-01-
1382, 2006.
[78] M. Andersson, B. Johansson, A. Hultqvist, and C. Nohre, "A Predictive Real Time NOx Model for
Conventional and Partially Premixed Diesel Combustion," SAE Interenational Paper, no. 2006-
01-3329, 2006.
[79] M. Andersson, B. Johansson, A. Hultqvist, and C. Nohre, "A Real Time NOx Model for
Conventional and Partially Premixed Diesel Combustion," SAE Technical Paper, no. 2006-01-
3329, 2006.
[82] I. Arsie et al., "Thermodynamic Modeling of jet Formation and Combustion in Common-Rail
Multi-Jet Diesel Engines," SAE Technical Paper, no. 2005-01-1121, 2005.
[83] C. Wilhelmsson, P. Tunestal, B. Johansson, A. Widd, and R. Johansson, "A Physical Two Zone
NOx Model Intended for Embedded Implementation," SAE International Paper, no. 2009-01-
1509, 2009.
[85] J. C. Wurzenberger, S. Bardubitzki, and P. Bartsch, "Real Time Capable Pollutant Formation and
Exhaust After treatment Modeling-HSDI Diesel Engine Simulation," SAE International Paper, no.
2011-01-1438, 2011.
259
Références Bibliographiques
Thermique, 2005.
[89] J. Kwon, J. Seo, D. Lee, and K. Y. Huh, "Zero-Dimensional Simulation of Diesel engine
Combustion and Emissions Based on CMC Model and Skeletal Reaction Mechanism," SAE
International Paper, no. 2011-01-0845, 2011.
[90] C. Poetsch, H. Ofner, and E. Schutting, "Assessment of a Multi Zone Combustion Model for
Analysis and Prediction of CI Engine Combustion and Emissions," SAE International Paper, no.
2011-01-1439, 2011.
[92] R. Finesso and E. Spessa, "Analysis of Combustion and Emissions in a Euro V Diesel Engine by
Means of a Refined Quasi-Dimensional Multizone Diagnostic Model," SAE Int. J. Engines, vol. 5,
Issue 3, no. 2012-01-1066, pp. 886-908, 2012.
[93] N. Bordet and V. Talon, "Estimation par modèle 0D de la concentration des polluants Euro V:
NOx, CO, HC, Particules,".
[94] F. A. Lafossas, M. Marbaix, and P. Menegazzi, "Development and Application of a 0D D.I. Diesel
combustion model for Emissions Prediction," JSAE/SAE Technical paper, no. 20077304/2007-
01-1841, 2007.
[95] C. Ericson, B. Westberg, M. Andersson , and R. Egnell, "Modelling Diesel Engine Combustion
and NOx Formation for Model Based Control and Simulation of Engine and Exhaust After
treatment System," SAE Technical Paper, no. 2006-01-0687, 2006.
[97] R. Rezaei, P. Eckert, J. Seebode, and K. Behnk, "Zero-Dimensional Modeling of Combustion and
Heat Release Rate in DI Diesel Engines," SAE International Paper, no. 2012-01-1065, 2012.
[98] I. Arsie, C. Pianese, and G. Rizzo, "Models for the Prediction of Performance and Emissions in a
Spark Ignition Engine - A Sequentially Structured Approach," SAE Technical Paper, no. 980779,
1998.
260
Références Bibliographiques
[99] C. Quérel, O. Grondin, and C. Letellier, "A Semi-Physical NOx Model for Diesel Engine Control,"
SAE Technical paper, no. 2013-01-0356, 2013.
[100] K. S. Oppenauer, D. Alberer, and L. D. Re, "Simplified Calculation of Chemical Equilibrium and
Thermodynamic Properties for Diesel Combustion," SAE International Paper, no. 2011-24-0020,
pp. 2257-2277, 2011.
[101] Fabio Scappin, Sigurour H. Stefansson, Fredrik Haglind , Anders Andreasen, and Ulrik Larsen,
"Validation of a zero-dimensional model for prediction of NOx and engine performance for
electronically controlled marine two-stroke diesel engines," Applied Thermal Engineering, vol.
37, pp. 344-352, 2012.
[102] N H Walke, N V Marathe, and M R Nandgaonkar, "Simplified Combustion Pressure and NOx
Prediction Model for DI Diesel Engine," SAE international, no. 2013-26-0131, 2013.
[103] J. Gong and C. Rutland, "A Quasi-Dimensional NOx Emission Model for Spark Ignition Direct
Injection (SIDI) Gasoline Engines," SAE International Paper, no. 2013-01-1311, 2013.
[104] K. Hegarty, R. Favrot, D. Rollet, and G. Rindone, "Semi-Empiric Model Based Approach for
Dynamic Prediction of NOx Engine Out Emissions on Diesel Engines," SAE International Paper,
no. 2010-01-0155, 2010.
[105] K. S. Oppenauer and L. D. Re, "Hybrid 2-Zone Diesel Combustion Model for NO Formation," SAE
International Paper, vol. 2, Issue 2, no. 2009-24-0135, pp. 584-596, 2009.
[107] Roberto Finesso and Ezio Spessa, "A real time zero-dimensional diagnostic model for the
calculation of in-cylinder temperatures, HRR and nitrogen oxides in diesel engines," Energy
Conversion and Management, vol. 79, pp. 498-510, 2014.
[108] Nicholas Savva and Dimitrios Hountalas, "Detailed Evaluation of a New Semi-Empirical Multi-
Zone NOx Model by Application on Various Diesel Engine Configurations," SAE International,
no. 2012-01-1156, Apr. 2012.
[110] Y. Y. Wang, Y. He, and S. Rajagopalan, "Design of Engine-Out Virtual NOx Densor Using Neural
Networks and Dynamic System Identification," SAE Int. J. Engines, vol. 4, Issue 1, no. 2011-01-
0694, pp. 828-836, 2011.
[111] S. Saravanan, G. Nagarajan, S. Anand, and S. Sampath, "Correlation for thermal NOx formation
in compression ignition (CI) engine fuelled with diesel and biodiesel," Energy, vol. 42, pp. 401-
410, 2012.
261
Références Bibliographiques
[112] Navtej Singh, Prasanna Nagabushan-Venkatesh, Eduardo Nigro, and Adam Lack,
"Developpment of the NOx Emission Model for the Heavy Duty Diesel Engine Application Using
Combustion Characteristic Parameters," SAE International, no. 2013-01-0532, Apr. 2013.
[113] Lino Guzzella and Christopher H. Onder, Introduction to Modeling and Control of Internal
Combustion Engine Systems.: Springer-Second Edition, 2004.
[114] Wonah Park et al., "Prediction of real-time NO based on the in-cylinder pressure in Diesel
engines," Proceedings of the Combustion Institute , vol. 34, pp. 3075-3082, 2013.
[115] J-C. Schmitt, M. Fremovici, O. Grondin, and F. Le Berr, Compression iginition engine model
supporting powertrain development.
[116] Micheal Benz, Markus Hehn, Christopher H. Onder, and Lino Guzzella, "Model-Based Actuator
Trajectories Optimization for a Diesel Engine Using a Direct Method," ASME- JOURNAL OF
ENGINEERING FOR GAS TURBINES AND POWER, 2010.
[117] K. Ian, "Models of Soot Formation and Oxidation," Prog. Energy Combust., vol. 23, pp. 95-132,
1997.
[118] H. H., K. T., and A. M., "Development and use of a spray combustion modeling to predict diesel
engine effciency and pollutant emissions," Bulletin of JSME, vol. 26, pp. 569-575, 04/1983.
[119] J. Dohoy and A. Dennis, "Multi-Zone DI Diesel Spray Combustion Model for Cycle Simulation
Studies of Engine Performance and Emissions," SAE Technical Paper, no. 2001-01-1246, 2001.
[120] Micheal Grill, Micheal Bargende, Dominik Rether, and Andreas Schmid, "Quasi-dimensional and
Empirical Modeling of Compression-Ignition Engine Combustion and Emissions," SAE
International, no. 2010-01-0151, Apr. 2010.
[121] A. E. Hassaneen, S. Samuel, and D. Morrey, "Soot Formation Model Applied to Spark Ignition
Engine," SAE International Paper, no. 2012-01-0128, 2012.
[122] F. Perini, E. Mattarelli, and F. Paltrinieri, "Development and Validation of Predictive Emissions
Schemes for Quasi-Dimensional Combustion Models," SAE Technical Paper, no. 2010-01-0148,
2010.
[123] W. H. Lipkea and A. D. Dejoode, "Direct Injection Diesel Engine Soot Modeling:Formualtion and
Results," SAE International Paper, no. 940670, pp. 75-92, 1994.
[124] G. Stiesch and G. P. Merker, "A Phenomenological Model for Accurate and Time Efficient
Prediction of Heat Release and Exhaust Emissions in Direct-Injection Diesel Engines," SAE
International paper, no. 1999-01-1535, 1999.
262
Références Bibliographiques
[126] J. Bayer and D. E. Foster, "Zero-Dimensional Soot Modeling," SAE International Paper, no. 2003-
01-1070, 2003.
[127] A. Westlund and H. Angstrom, "Validation of a Simplified Model for Combustion and Emission
Formation in Diesel Engines Based on Correlations for Spray Penetration and Dispersion, Gas
Entrainment into Sprays and Flame Lift-off," SAE International Paper, no. 2010-01-1494, 2010.
[128] A. Duran, M. Carmona, and J. M. Monteagudo, "Modelling soot and SOF emissions from a
diesel engines," Chemosphere, vol. 56, pp. 209-225, 2004.
[130] P. Tan, K. Deng, J. Lu, D. Lou, and G. Wan, "A Composition-Based Model for Particulate Matter
Emission of Direct Injection Diesel Engines," SAE International Paper, no. 2005-01-3463, 2005.
[131] A. Westlund and H. Angström, "Fast Physical Prediction of NO and Soot in Diesel Engines," SAE
International Paper, no. 2009-01-1121, 2009.
[132] X. Li and J. S. Wallace, "A Phenomenological Model for Soot Formation and Oxidation in Direct-
Injection Diesel Engines," SAE International Paper, no. 952428, 1995.
[133] P. Q. Tan et al., "Particulate matter emission modelling based on soot and SOF from direct
injection diesel engines," Energy Conversion and Management, vol. 48, pp. 510-518, 2007.
[134] C; Arcoumanis and K.-P. Schindler, "Mixture Formation and Combustion in the DI Diesel
Engine," SAE International Paper, no. 972681, 1997.
[135] Feng Tao, Rolf D. Reitz, David E. Foster, and Yi Liu, "Nine-step phenomenological diesel soot
model validated over a wide range of engine conditions ," International Journal of Thermal
Sciences , vol. 48, pp. 1223-1234, 2009.
[136] A. Kazakov and D. E. Foster, "Modeling of Soot Formation During DI Diesel Combustion Using a
Multi-Step Phenomenological Model," SAE International Paper, no. 982463, 1998.
[137] Feng Tao, Valeri I. Golovitchev, and Jerzy Chomiak, "A phenomenological model for the
prediction of soot formation in diesel spray combustion ," Combustion and Flame, vol. 136, pp.
270-282, 2004.
[138] Roberto Finesso, Daniela Misul, and Ezio Spessa, "Development and validation of a semi-
empirical model for the estimation of particulate matter in diesel engines," Energy conversion
and Management, vol. 84, pp. 374-389, 2014.
263
Références Bibliographiques
[139] G. Lequien, O. Andersson, P. Tunestal , and M. Lewander , "A correlation analysis of the soot
formation an doxidation in a heavy-duty diesel engine," SAE Technical Paper, no. 2013-01-
2535, 2013.
[140] EC Cebi, G. Rottenkolber, and E. Uyar, "In-cylinder pressure based real-time estimation of
engine-out particualte matter emissions of a diesel engine," SAE Technical Paper, no. 2011-01-
1440, 2011.
[141] Christophe Barro, Peter Obrecht, Peter Lauer, and Konstantinos Boulouchos, "DEVELOPMENT
OF A VIRTUAL SENSOR IN DIESEL ENGINES," MTZ PEER REVIEW, vol. 75, no. 06I2014, 2014.
[142] Jean-Charles DABADIE et al., "Modélisation du moteur R9M GEN1 ," IFPEN, Paris, Rapport de
Fin d'Etude 2012.
[144] G. A.E. Godsave, "Studies of the combustion of drops in a fuel spray - The burning of single
drops of fuel," Fourth Symposium (International) on Combustion, pp. 818-830, 1953.
[145] J. Helton, J. Johnson, C. Sallaberry, and C. Storlie, "Survey of sampling-based methods for
uncertainty and sensitivity analysis," Reliability Engineering and System Safety, vol. 91, no. 10,
pp. 1175-1209, 2006.
[146] I. Sobol, "Global sensitivity indices for nonlinear mathematical models and their Monte Carlo
estimates," Mathematics and Computers in Simulation , vol. 55, no. 1-3, pp. 271-280, 2001.
[147] K. Oppenauer and D. Alberer, "Soot formation and oxidation mechanisms during diesel
combustion: Analysis and modeling impacts," International Journal of Engine Research , vol. 15,
pp. 954-965, 2015.
[148] A. Torregrosa, P. Olmeda, B. Degraeuwe , and M. Reyes, "A concise wall temperature model for
DI Diesel engines," Applied Thermal Engineering, vol. 26, pp. 1320-1327, August 2006, Issues
11-12.
[149] Carlos Adolfo Finol Parra, Heat Transfer Investigations in a Modern Diesel Engine.: University of
bath, 2008.
[150] G. Hohenberg, "Advanced Approaches for Heat Transfer Calculations," SAE Technical Paper, no.
790825, 1979.
[151] Xavier Tauzia, Alain Maiboom, Hassan Karaky, and Pascal Chesse, "Experimental analysis of
coolant and oil temperature influence on combustion and emission of an automotive Diesel
engine,"Energy, 2016.
264
Références Bibliographiques
265
Hassan KARAKY
Modélisation Phénoménologique des Emissions de NOx et de
Particules pour la Mise au Point des Moteurs Diesel Automobiles
Phenomenological Modeling of the Combustion and Pollutant Emissions for the Development
Process of Diesel Engines
Résumé Abstract
Ce mémoire présente le développement de modèles This report presents the development of new
phénoménologiques d’émissions de NOx et de particules phenomenological models for NOx and PM emission.
destinés à être inclus dans un simulateur global pour l'aide à These models are to be included in a Global Simulator
la mise au point des moteurs à allumage par compression used for automotive compression ignition engine
automobiles. Ils doivent donc disposer d'une bonne précision calibration. Thus they must be precise and reactive to
et être réactifs aux modifications des paramètres de réglage modifications of engine calibration parameters
moteur (injection, boucle d'air). La détermination des (injection, air loop). The identification of the model
paramètres des modèles s'appuie sur des essais parameters is done using experimental data
correspondants au balayage d'un champ (régime, charge) corresponding to a (rotation speed, load) map, for a
pour une calibration moteur donnée. given engine calibration.
Les modèles développés sont semi-physiques : les The models are semi-physical: pollutant emissions are
émissions sont estimées en utilisant des cartographies ou estimated using look-up tables or mathematical
des formulations mathématiques fonction des paramètres formulations as a function of the most influent physical
physiques les plus influents. Ces paramètres physiques parameters. These relevant physical parameters were
pertinents ont été sélectionnés en se basant sur la selected thanks to a literature survey and the analysis
bibliographie et en analysant des résultats expérimentaux. of experimental data. They are evaluated with a
Ils sont évalués avec une approche thermodynamique 0D thermodynamical 0D approach, combining Barba
combinant le modèle de dégagement de chaleur de Barba et combustion model and a “two zone” calculation. In
un calcul de type "deux zones". Pour contenir le temps de order to keep the Computational time low, the
calcul, l’évolution des polluants au cours du cycle n’est pas evolutions of pollutants’ concentrations during the
modélisée, seule la concentration finale étant évaluée. engine cycle are not calculated, but only the final
values.
Les modèles sont ensuite confrontés à des relevés
expérimentaux, relatifs à 2 moteurs différents, et incluant The models’ results are then compared against
des variations mono paramétrées des paramètres d'injection experimental data from two different engines. These
(avance, pression, répartition), de boucle d'air (EGR, data include single parameter variations for injection
pression et température d'admission) et des températures de (timing, pressure, rate of injection), air loop (EGR rate,
fluides (eau, huile). L'accord entre les valeurs calculées et boost pressure and temperature) and fluids’
mesurées est globalement satisfaisant. Une discussion sur temperatures (coolant, oil). The agreement between
la qualité des résultats du modèle en fonction de sa calculated and measured emissions is correct. The
calibration (et de la quantité de données expérimentales results quality depending on model calibration (and
disponibles) est également proposée. number of experimental data used) is also discussed.