Numerical Modelling of Combustion and Emission Formation in a Diesel Engine with Different Fuel Injection Characteristics

Päästöjen vähentäminen on ollut viime vuosina tärkeässä osassa polttomoottoreita kehitettäessä.Monet viralliset tahot asettavat uusia tiukempia päästörajoituksia. Päästörajatovat tyypillisesti olleet tiukimmat autoteollisuuden valmistamille pienille nopeakäyntisille diesel-moottoreille, mutta viime aikoina paineita on kohdistunut myös suurempiin keskinopeisiin ja hidaskäyntisiin diesel-moottoreihin. Päästörajat ovat erilaisia riippuen moottorin tyypistä, käytetystä polttoaineesta ja paikasta missä moottoria käytetään johtuen erilaisista paikallisista laeista ja asetuksista. Eniten huomiota diesel-moottorin päästöissä täytyy kohdistaa typen oksideihin, savun muodostukseen sekä partikkeleihin. Laskennallisen virtausmekaniikan (CFD) avulla on hyvät mahdollisuudet tutkia diesel-moottorin sylinterissä tapahtuvia ilmiöitä palamisen aikana. CFD on hyödyllinen työkalu arvioitaessa moottorin suorituskykyä ja päästöjen muodostumista. CFD:llä on mahdollista testata erilaisten parametrien ja geometrioiden vaikutusta ilman kalliita moottorinkoeajoja. CFD:tä voidaan käyttää myös opetustarkoituksessa lisäämään paloprosessin tuntemusta. Tulevaisuudessa palamissimuloinnit CFD:llä tulevat epäilemättä olemaan tärkeä osa moottorin kehityksessä. Tässä diplomityössä on tehty palamissimuloinnit kahteen erilaisilla poittoaineenruiskutuslaitteistoilla varustettuun Wärtsilän keskinopeaan diesel-moottoriin. W46 moottorin ruiskutuslaitteisto on perinteinen mekaanisesti ohjattu pumppusuutin ja W46-CR moottorissa on elektronisesti ohjattu 'common rail' ruiskutuslaitteisto. Näiden moottorien ja käytössä olevien ruiskutusprofiilien lisäksi on simuloinneilla testattu erilaisia uusia ruiskutusprofiileja, jotta erityyppisten profiilien hyvät ja huonot ominaisuudet tulisivat selville. Matalalla kuormalla kiinnostuksen kohteena on nokipäästöjen muodostus ja täydellä kuormalla NOx-päästöjen muodostus ja polttoaineen kulutus. Simulointien tulokset osoittivat, että noen muodostusta matalalla kuormalla voidaan selvästi vähentää monivaiheisella ruiskutuksella, jossa yksi ruiskutusjakso jaetaan kahteen tai useampaan jaksoon. Erityisen tehokas noen vähentämisessä vaikuttaa olevan ns. jälkiruiskutus (post injection). Matalat NOx-päästöt ja hyvä polttoaineen kulutus täydellä kuormalla on mahdollista saavuttaaasteittain nostettavalla ruiskutusnopeudella.

Tietovaraston latausprosessin kehittämisen osittainen automatisointi Microsoft SQL Server 2008 -ympäristössä

Tässä työssä tutkitaan tietovaraston latausprosessin kehittämisen nopeuttamista Mic-rosoft SQL Server 2008 -ympäristössä. Työn teoriaosuudet on tarkoitettu tukemaan sekä työn tutkimus- että käytännönosia. Aiheeseen liittyviä tutkimuksia käytiin läpi parhaiden latausprosessin kehittämiseen kuluvaa aikaa vähentävien tapojen selvittä-miseksi. Nykytutkimus keskittyy valmistajasta riippumattomien mallien kehittämiseen ja valmistajakohtaisen latausprosessin luomiseen näiden mallien pohjalta. Yleinen konsensus parhaan mallin suhteen kuitenkin puuttuu. Aiheeseen liittyvien tutkimusten pohjalta esitetään arkkitehtuuri, joka saattaisi tule-vaisuudessa vähentää latausprosessin kehittämiseen kuluvaa aikaa huomattavasti. Tästä arkkitehtuurista luotiin yksinkertaistettu versio sekä siihen pohjautuva sovellus nopeuttamaan latausprosessin kehittämistä Microsoftin ETL-työkalulla.

Heat Demand Forecasting Models’ Development: Use of Data Mining Tools in SQL Server Analysis Services

This thesis introduces heat demand forecasting models which are generated by using data mining algorithms. The forecast spans one full day and this forecast can be used in regulating heat consumption of buildings. For training the data mining models, two years of heat consumption data from a case building and weather measurement data from Finnish Meteorological Institute are used. The thesis utilizes Microsoft SQL Server Analysis Services data mining tools in generating the data mining models and CRISP-DM process framework to implement the research. Results show that the built models can predict heat demand at best with mean average percentage errors of 3.8% for 24-h profile and 5.9% for full day. A deployment model for integrating the generated data mining models into an existing building energy management system is also discussed.