Torna ai risultati della ricercaBando per assegno di ricerca
| Titolo del progetto di ricerca in italiano | Applicazione di Tecniche di Machine Learning per la definizione di surrogati di combustibili per applicazione nella simulazione CFD del processo di combustione con iniezione di acqua in motori GDI |
|---|---|
| Titolo del progetto di ricerca in inglese | Application of Machine Learning to the fuel surrogate generation for GDI engine CFD simulations of combustion process with water injection |
| Campo principale della ricerca | Engineering |
| Sottocampo della ricerca | Mechanical engineering |
| Settore Concorsuale | 09 - Ingegneria industriale e dell'informazione |
| S.S.D | - |
| Descrizione sintetica in italiano | La definizione di surrogati per le benzine tradizionali è stato oggetto di ricerca per diversi anni da parte della comunità ingegneristica che si occupa di simulazione CFD dei motori a combustione interna. L’impatto dell’errata modellazione di proprietà fondamentali del combustibile, quali densità, calore latente di vaporizzazione e tensione di vapore, è di primaria importanza per la previsione del miscelamento della carica e formazione di film liquido. Lo scopo della presente attività sarebbe quello di definire un workflow per la generazione di surrogati che superi questo problema mediante l’uso di tecniche di machine learning o reti neurali applicati a simulazioni CFD di motori. |
| Descrizione sintetica in inglese | The definition of traditional gasoline fuel surrogates, used for engine CFD simulations, has been a common research topic during the past years. The properties related to the reactivity of the surrogate, such as laminar flame speed, adiabatic flame temperature and ignition delay time, can lead to enormous differences, if erroneously predicted, in terms of power output and fuel consumption. Recently, a growing interest towards synthetic fuels or blends, has led to the necessity to be careful while defining the most important properties of the surrogate. The definition of a gasoline fuel surrogate requires a multi-objective optimization process is traditionally limited by the computing time needed to perform the chemical kinetics simulations for the definition of laminar flame speed and ignition delay time. The objective of the proposed activity is to define an operative workflow for the definition of fuel surrogates by mean of machine learning techniques for engine CFD simulations. |
| Data del bando | 02/04/2020 |
| Paesi in cui può essere condotta la ricerca |
Italy |
| Paesi di residenza dei candidati |
OTHER |
| Nazionalità dei candidati |
OTHER |
| Sito web del bando | https://bandi.unibo.it/ricerca/assegni-ricerca |
| Destinatari dell'assegno di ricerca (of target group) |
Early stage researcher or 0-4 yrs (Post graduate) |
|---|---|
| Criteri di selezione in italiano (breve descrizione) | il bando e la modulistica per partecipare alla procedura di valutazione comparativa sono disponibili all'indirizzo: https://bandi.unibo.it/ricerca/assegni-ricerca |
| Criteri di selezione in inglese (breve descrizione) | to apply for research grants fill out the form available at the following address: https://bandi.unibo.it/ricerca/assegni-ricerca |
| Nome dell'Ente finanziatore | ALMA MATER STUDIORUM - UNIVERSITA' DI BOLOGNA - - DIPARTIMENTO DI INGEGNERIA INDUSTRIALE |
|---|---|
| Tipologia dell'Ente | Public research |
| Paese dell'Ente | Italy |
| Città | Bologna |
| Sito web | http://www.unibo.it |
| stefania.falfari@unibo.it |
| L'assegno finanziato/cofinanziato attraverso un EU Research Framework Programme? | No |
|---|
| Data di scadenza del bando | 29/04/2020 - alle ore 00:00 |
|---|---|
| Come candidarsi | Other |