CMCL采用新一代先进的面向应用的湍流反应流的概率密度函数（PDF）方法，基于简化湍流燃烧三维系统状态变量为一个状态概率函数，模拟缸内不均匀性的燃烧模型。CMCL起源于剑桥大学，包含kinetics™（燃料，排放和后处理的化学反应模型）、SRM Engine Suite™（内燃机物理化学模型）、MoDS™（模拟功能的自主机器学习和高级统计）以及Explorer™（可视化的后处理工具）。CMCL弥补了详细但昂贵的计算流体力学（CFD）与简单零维/一维均质反应模型方法之间的空白，可为用户提供高效的燃料、燃烧以及排放解决方案。

　　动力总成领域：CMCL可应用于道路和非道路HDV、PHEV、HEV及常规车辆模拟分析，可进行燃料、燃烧、排放和性能分析，可与CFD耦合使用。

　　能源及化工领域：CMCL可以进行流程和系统的技术经济和敏感性分析，化学和能源过程的流程分析。

　　CMCL软件包括以下4个模块：

　　kinetics™ ：专业的燃烧、排放及后处理化学反应模型

　　kinetics™ 具有详细的化学反应机理处理能力，包括：

　　学术前沿的粒度分布模型化学反应器（均质，非均质，平衡等）简化化学机制，反应路径分析，灵敏度和通量分析支持自定义化学机制与模型点火延迟矩阵，表面化学

　　kinetics™ 仿真精度高、快速稳健，可用于汽车、卡车、锅炉、化学及材料加工设备与精炼应用中的燃烧系统进行概念开发，工程师可借助精确的燃油模型，探索设计变量对性能、污染物排放和火焰熄灭的影响，从而得到想要的结果，帮助做出关键的产品开发决策。

　　SRM Engine Suite™：内燃机物理化学模型

　　SRM Engine Suite™ 为内燃机物理化学模型，可以实现内燃机仿真精准预测：

　　适用于火花点火 ，压燃和HCCI燃烧模式适用于常规燃料和新型燃料可靠，准确的排放评估稳定和不规则燃烧特征分析广泛的预校准实例库，提供全面的技术支持独立运行或与第三方标准CAE工具一起运行借助MoDS机器学习辅助工作流，用于自动模型校准，验证及快速响应/代理模型生成

　　MoDS™ 模拟功能的自主机器学习和高级统计

　　MoDSMoDS™ 可实现模拟功能的自主机器学习和高级统计，包括：

　　自动模型校准（参数估计）智能实验设计（DoE）数据驱动模型的高维度代理模型多目标优化和多标准决策不确定性传播和敏感性分析运行独立或与第三方软件链接的API

　　MoDS 可以实现基于实验数据的模型校准及模型验证，通常流程是：根据实验中获取的压力、排放等数据，导入MoDS 软件中，软件可自动实现对Kinetics & SRM Engine Suite 的模型校准，经过校准的模型，可使用剩余实验数据或者新获取的实验数据进行验证，以证实经校准后模型的准确度。最终，经过校准和验证的模型，可以用来在Kinetics & SRM Engine Suite 进行发动机参数预测。

　　MoDS 作为CMCL 软件中有别于其它零维仿真软件的功能亮点，可以实现基于实验数据的模型校准及模型验证，通常流程是：根据实验中获取的压力、排放等数据，导入MoDS 软件中，软件可自动实现对Kinetics & SRM Engine Suite 的模型校准，经过校准的模型，可使用剩余实验数据或者新获取的实验数据进行验证，以证实经校准后模型的准确度。最终，经过校准和验证的模型，可以用在Kinetics & SRM Engine Suite 进行发动机参数预测。

　　【应用案例】

　　重型柴油发动机燃烧特性及排放数值模拟

　　CMCL数字工程工作流程，可以对发动机燃烧特性及发动机尾气排放进行仿真预测，降低对大量实验数据的需求，节省开发成本，缩短开发周期。

　　本案例为 CMCL Innovations 与卡特彼勒在英国高级推进中心ASCENT项目中进行的仿真计算合作：应用新的仿真建模技术，开发更低二氧化碳排放和更高功率密度的新一代工业柴油发动机产品。

　　首先，采集多个工况点共280组DoE（实验设计）点，涵盖不同的发动机控制变量，包括主喷油量，周期，喷油压强，废气再循环等，每组实验数据包含缸内压强，燃烧放热率和排放（NOx, CO,uHCs和soot）。使用SRM Engine Suite仿真模型过程中，所有实验数据里30%的DoE点用于MoDS的模型训练校准，剩余70%用于模型验证（盲测）。验证过后的物理化学模型用于预测全新的工况点和满足对大量控制变量的燃烧特性和排放预测，从而无需额外的实验数据采集。

　　SRM通过概率函数构建缸内燃烧标量（当量比-温度）变化如下图，颜色表示uHCs（碳氢化合物）浓度，水平虚线表示化学恰当条件（Φ=1.0），灰度轮廓线显示预计会产生碳烟和NOx的区域。

　　SRM Engine Suite全工况图预测NOx误差见下图，灰色标记的圆圈显示了模型校准中使用的30个工况点。

　　SRM Engine Suite全工况图预测Soot误差见下图，灰色标记的圆圈显示了模型校准中使用的30个工况点。

　　下图SRM Engine Suite 得到的缸内压强预测结果与实验结果对比见下图，红色为SRM预测结果，蓝色为实验数据。

　　SRM Engine Suite 缸内压强，Nox， uHCs，和Soot预测如下图，红色为SRM，蓝色为实验数据。

　　校准后的模型能够准确模拟其余196（70％）个验证点，从而令人满意地捕获燃烧特性和发动机排放的总体趋势。 然后，将模型应用于预测新的工况点，对发动机工作变量的详细设计分析和优化。除了上述功能之外，CMCL的数字工程工作流程还可用于快速反应模型的生成，多目标优化，和瞬态仿真。