guest ::
| 001 | 1017143 | ||
| 005 | 20250911133941.0 | ||
| 024 | 7 | _ | |2 HBZ |a HT031261599 |
| 024 | 7 | _ | |2 Laufende Nummer |a 44538 |
| 024 | 7 | _ | |2 datacite_doi |a 10.18154/RWTH-2025-07159 |
| 037 | _ | _ | |a RWTH-2025-07159 |
| 041 | _ | _ | |a English |
| 082 | _ | _ | |a 620 |
| 100 | 1 | _ | |0 P:(DE-82)IDM03471 |a Ackermann, Philipp |b 0 |u rwth |
| 245 | _ | _ | |a Design of well-to-wheel-optimal alternative fuels |c vorgelegt von Philipp Ackermann |h online |
| 246 | _ | 3 | |a Design von Well-to-Wheel-optimalen alternativen Kraftstoffen |y German |
| 260 | _ | _ | |a Aachen |b RWTH Aachen University |c 2025 |
| 300 | _ | _ | |a 1 Online-Ressource : Illustrationen |
| 336 | 7 | _ | |0 2 |2 EndNote |a Thesis |
| 336 | 7 | _ | |0 PUB:(DE-HGF)11 |2 PUB:(DE-HGF) |a Dissertation / PhD Thesis |b phd |m phd |
| 336 | 7 | _ | |0 PUB:(DE-HGF)3 |2 PUB:(DE-HGF) |a Book |m book |
| 336 | 7 | _ | |2 BibTeX |a PHDTHESIS |
| 336 | 7 | _ | |2 DRIVER |a doctoralThesis |
| 336 | 7 | _ | |2 DataCite |a Output Types/Dissertation |
| 336 | 7 | _ | |2 ORCID |a DISSERTATION |
| 490 | 0 | _ | |a Aachener Verfahrenstechnik series - AVT.SVT - Process systems engineering |v 39 |
| 500 | _ | _ | |a Veröffentlicht auf dem Publikationsserver der RWTH Aachen University |
| 502 | _ | _ | |a Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025 |b Dissertation |c Rheinisch-Westfälische Technische Hochschule Aachen |d 2025 |g Fak04 |o 2025-07-04 |
| 520 | 3 | _ | |a Erneuerbare Kraftstoffe ermöglichen klimaneutrale Mobilität und erfordern geringere Infrastrukturänderungen als Elektromobilität. Allerdings benötigen erneuerbare Kraftstoffe mehr Umwandlungsschritte im Vergleich zur direkten Speicherung von elektrischem Strom in Batterien oder der Nutzung von Wasserstoff in Brennstoffzellen. Die Entwicklung erneuerbarer Kraftstoffe sollte daher auf eine starke „Well-to-Wheel“-Performance abzielen. Ein wichtiger Hebel dafür ist die thermodynamische Effizienz von Verbrennungsmotoren. Insbesondere bei Ottomotoren hängt die erreichbare Effizienz von den Kraftstoffeigenschaften ab, die mit optimierungsbasiertem Kraftstoffdesign maßgeschneidert werden können. Die vorliegende Dissertation integriert die Vorhersage der Motoreffizienz in das Kraftstoffdesign mit dem Ziel die Well-to-Wheel Performance zu optimieren. Zunächst wird eine optimierungsbasierte Moleküldesignmethode entwickelt, die die Motoreffizienz maximiert. Für die Abschätzung der Effizienz wird eine empirische Korrelation benutzt, die auf Kraftstoffeigenschaften basiert. Die Kraftstoffeigenschaften werden abgeschätzt mit prädiktiver Thermodynamik für physikalisch-chemische Eigenschaften und datengetriebenen Modellen für Verbrennungseigenschaften, Indikatoren für Umwelt, Gesundheit und Sicherheit und für die Synthetisierbarkeit. Die Methode wird für das Design von Reinstoffen und von binären Ethanolblends verwendet. Aufgrund von Modellungenauigkeiten sind die Effizienzvorhersagen selbst mit hohen Unsicherheiten behaftet. Um die Limitierungen der Eigenschafts-basierten Motoreffizienzabschätzung zu überwinden, wird ein konzentriertes dynamisches Modell eines Ottomotors entwickelt, das die Motorperformance als Funktion von Kraftstoffzusammensetzung und Motorkonfiguration vorhersagt. Das Motormodell ist mit experimentellen Daten eines Einzylinder Forschungsmotors kalibriert, so dass neue Kraftstoffkandidaten keine weitere Modellkalibrierung benötigen. In einer Fallstudie werden binäre und ternäre Mischungen aus zehn möglichen alternative Kraftstoffkomponenten untersucht. Die Zusammensetzung jeder Kraftstoffmischung wird zusammen mit dem Verdichtungsverhältnis und dem Ladedruck optimiert, unter Berücksichtigung von Klopf- und Spitzendrucklimitierungen. Die Co-Optimierung identifiziert die kleinen Ester Methyl- und Ethylacetat als vielversprechende Kraftstoffkandidaten für zukünftige Ottomotoren. Abschließend wird der Fokus auf die Well-to-Wheel-Performance als Ziel des Kraftstoffdesigns gerichtet. Eine zuvor entwickelte prozesssuperstrukturbasierte Kraftstoffdesignmethode wird mit dem Motormodell kombiniert. Um die Motoreffizienz in das Optimierungsproblem zu integrieren, wird ein Surrogatmodell basierend auf künstlichen neuronalen Netzen entwickelt. Anschließend werden alternative Kraftstoffe mit optimaler Well-to-Wheel-Performance designt. Die Ergebnisse zeigen, dass das Erzwingen einer hohen Motoreffizienz durch hohe Anforderungen an die Oktanzahl die Well-to-Wheel-Performance beeinträchtigt. Außerdem zeigen alternative Kraftstoffe mit maßgeschneiderten Motoren ein höheres Potential zur Verringerung von Kosten und Treibhausgaspotential als Drop-in-Kraftstoffe, die mit der gleichen Superstruktur designt wurden. |l ger |
| 520 | _ | _ | |a Renewable fuels can enable climate neutral transportation and require less changes in the infrastructure for storage and handling than electromobility. However, compared to battery and fuel cell electric vehicles, renewable fuels require more conversion steps with associated energy demands. Hence, the development of renewable fuels should aim at a strong well-to-wheel performance. An important lever for well-to-wheel performance is the thermodynamic efficiency of engines, in particular spark-ignition engines. The achievable SI engine efficiency depends on the properties of the fuel, which can be tailored using optimization-based fuel design. This thesis aims to integrate the prediction of engine efficiency into fuel design with the final goal of optimizing the well-to-wheel performance. First, an optimization-based molecular fuel design method is built that maximizes spark-ignition engine efficiency. An empirical model is employed to assess the achievable engine efficiency for each candidate fuel as a function of fuel properties. The fuel properties are predicted automatically using predictive thermodynamics for phyisco-chemical properties and machine learning models for combustion properties, indicators for environment, health and safety, and synthesizability. The method is applied to design pure-component fuels and binary ethanol-containing fuel blends. However, due to the simple nature of the property-based efficiency estimation and uncertainties in the property prediction, the efficiency predictions are subject to high uncertainties. To overcome the limitations of property-based engine efficiency estimation, fuel and engine are co-optimized simultaneously for selected fuel molecules. To this end, a lumped dynamic spark-ignition engine model is developed that predicts the engine performance as a function of fuel composition and engine configuration. The engine model is calibrated against experimental data from a single-cylinder research engine, such that new candidate fuels require no model recalibration with additional experimental engine data. As a case study, 10 possible alternative fuel components from previous studies are selected and used to create binary and ternary fuel mixtures. The composition of each fuel mixture is then co-optimized together with the compression ratio and the intake pressure of the engine considering knock and peak pressure constraints to ensure smooth and safe engine operation. The co-optimization reveals the small esters methyl acetate and ethyl acetate as promising fuel candidates for future spark ignition engines. Subsequently, the scope is broadened from tank-to-wheel to well-to-wheel performance as the target of fuel design. A previously developed process superstructure-based fuel design method is combined with the engine model. To include engine efficiency into the optimization problem, a surrogate model based on an artificial neural network is derived. Then, alternative fuels with optimal well-to-wheel performance are designed. The results show that aiming at a very high engine efficiency by means of high requirement on the octane number impairs the well-to-wheel performance. Furthermore, alternative fuels for tailored engines show more potential for cost and global warming impact reductions than drop-in fuels designed with the same superstructure. |l eng |
| 536 | _ | _ | |0 G:(GEPRIS)390919832 |a DFG project G:(GEPRIS)390919832 - EXC 2186: Das Fuel Science Center – Adaptive Umwandlungssysteme für erneuerbare Energie- und Kohlenstoffquellen (390919832) |c 390919832 |x 0 |
| 588 | _ | _ | |a Dataset connected to DataCite |
| 591 | _ | _ | |a Germany |
| 653 | _ | 7 | |a Kraftstoffdesign |
| 653 | _ | 7 | |a Motormodell |
| 653 | _ | 7 | |a Optimierung |
| 653 | _ | 7 | |a engine model |
| 653 | _ | 7 | |a erneuerbare Kraftstoffe |
| 653 | _ | 7 | |a fuel design |
| 653 | _ | 7 | |a optimization |
| 653 | _ | 7 | |a renewable fuels |
| 653 | _ | 7 | |a well-to-wheel |
| 700 | 1 | _ | |0 P:(DE-82)IDM00369 |a Mitsos, Alexander |b 1 |e Thesis advisor |u rwth |
| 700 | 1 | _ | |0 P:(DE-82)IDM03948 |a von der Aßen, Niklas Vincenz |b 2 |e Thesis advisor |u rwth |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1017143/files/1017143.pdf |y OpenAccess |
| 856 | 4 | _ | |u https://publications.rwth-aachen.de/record/1017143/files/1017143_source.zip |y Restricted |
| 909 | C | O | |o oai:publications.rwth-aachen.de:1017143 |p openaire |p open_access |p VDB |p driver |p dnbdelivery |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03471 |a RWTH Aachen |b 0 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM00369 |a RWTH Aachen |b 1 |k RWTH |
| 910 | 1 | _ | |0 I:(DE-588b)36225-6 |6 P:(DE-82)IDM03948 |a RWTH Aachen |b 2 |k RWTH |
| 914 | 1 | _ | |y 2025 |
| 915 | _ | _ | |0 StatID:(DE-HGF)0510 |2 StatID |a OpenAccess |
| 920 | 1 | _ | |0 I:(DE-82)416710_20140620 |k 416710 |l Lehrstuhl für Systemverfahrenstechnik |x 0 |
| 980 | 1 | _ | |a FullTexts |
| 980 | _ | _ | |a I:(DE-82)416710_20140620 |
| 980 | _ | _ | |a UNRESTRICTED |
| 980 | _ | _ | |a VDB |
| 980 | _ | _ | |a book |
| 980 | _ | _ | |a phd |
| Library | Collection | CLSMajor | CLSMinor | Language | Author |
|---|