کاربرد شبکه عصبی مصنوعی و روش سطح پاسخ در پیش بینی و بهینه سازی پارامترهای عملکردی و آلایندگی موتور دیزل دوگانه سوز در حضور افزودنی آب
در این مطالعه، از روش های شبکه عصبی مصنوعی (ANN) و سطح پاسخ (RSM) برای مدلسازی و بهینه سازی آزمایش های تجربی در راستای بررسی تاثیر گازطبیعی (NG)، آب و بیودیزل حاصل از روغن خوراکی پسماند در فرایند احتراق موتور دیزل تک سیلندر استفاده شد. در ابتدا، آزمایش موتور با دیزل خالص انجام شد و سپس موتور برای کار در حالت دوگانه سوز آماده شد. با استفاده از یک میکسر، گاز طبیعی در منیفولد ورودی با هوا مخلوط شد و امولسیون آب، بیودیزل و دیزل به عنوان سوخت تزریق مستقیم به کارگرفته شدند. سهم انرژی گاز طبیعی در این کار تحقیقاتی از 60 تا 80 درصد متغیر بود. آب با درصد حجمی 1/0 تا 5/0 درصد با مخلوط های دیزل-بیودیزل مخلوط شد. مدل شبکه عصبی مصنوعی برای پیش بینی همبستگی بین پاسخ های خروجی موتور شامل پارامترهای عملکردی و آلایندگی و عوامل ورودی شامل بار موتور، درصد گاز طبیعی و درصد بیودیزل با استفاده از الگوریتم پس انتشار خطا توسعه داده شده است. روش سطح پاسخ به بهینه سازی پارامترهای ورودی موتور به منظور به حداقل رساندن انتشار و به حداکثر رساندن عملکرد موتور مربوط می شود. تعداد نرون 18 بالاترین دقت، کمترین RMSE (0.490، 6.522، 1.777، 1.507، 103.97 و 1.119) و بالاترین ضریب همبستگی (0.79، 0.99، 0.88، 0.92، 0.95، و 0.85) به ترتیب برای توان ترمزی، مصرف سوخت ویژه ترمزی، بازده حرارتی،BSCO، BSCO2، و BSNOx تولید کرده است. بنابراین تعداد 18 نرون در لایه مخفی به عنوان بهینه تعداد نرون در لایه مخفی انتخاب شد و با توجه به تعداد ورودی ها و خروجی ها، بهترین معماری شبکه، 6-18-3 نامیده شد.
بیودیزل ، موتور احتراق تراکمی ، آب ، هوش مصنوعی ، گاز طبیعی
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.