مدل‌سازی و پیش‌بینی مصرف سوخت و آلایندگی در موتورهای دیزلی پاشش مستقیم با استفاده از شبکه‌ عصبی مصنوعی با اعمال پارامترهای کنترلیِ دور موتور،‌ جرم سوخت و دمای هوای ورودی

در پژوهش حاضر با استفاده از شبکۀ عصبی مصنوعی، مدل‌سازی و پیش‌بینی آلاینده‌های nox، دوده و مصرف سوخت در یک موتور دیزلی پاشش مستقیم با اعمال متغیرهای کنترلیِ دور موتور،‌ دمای هوای ورودی به موتور و جرم سوخت پاشیده شده به محفظه احتراق انجام شده‌است. برای این منظور، با استفاده از آزمایشات تجربی انجام گرفته، مقدمات لازم برای مدل‌سازی و ارتباط بین پارامترهای ورودی و خروجی توسط شبکه عصبی فراهم گردید. شبکۀ عصبی مصنوعی با الگوریتم آموزشی لونبرگ-مارکوارت برای آموزش ارتباط موجود بین پارامترهای مذکور، طوری طراحی شده‌ که در آن مدل‌سازی متغیرهای خروجی به صورت کاملاً مستقل انجام می‌گیرد. یعنی برای هر خروجی مانند nox، تعداد نرون‌های لایه پنهان و پارامترهای کنترلی شبکه کاملا متفاوت از همین پارامترها برای دوده یا مصرف سوخت خواهد بود. نتایج نشان می‌دهد شبکه عصبی طراحی شده، به ازای 36 نرون در لایه پنهان در دور 3733 به دقت 0.97 برای آزمایش داده ها در مدل‌سازی nox می‌رسد. همچنین مدل‌سازی دوده با تعداد نرون‌های بیشتر و دقت 0.96 در دور 2081 انجام می‌شود. از طرفی میزان دقت آزمایش برای مدل شبکه‌ایِ مصرف سوخت به ازای 19 نرون در لایه پنهان در دور 3698 برابر 0.94 بوده که کاهش دقت مدل‌سازی آن، مربوط به پراکندگی ناموزون داده‌های تجربی در طیف وسیعی از دامنه مدل‌سازی می‌باشد. مدل پیشنهادی شبکه عصبی ، به دلیل همگرایی سریع و به تبع آن، زمان پاسخگویی کوتاه، می‌تواند به عنوان یک روش موثر در سیستم‌های کنترل هوشمند موتورهای دیزلی پاشش مستقیم برای کاهش آلاینده‌ها و مصرف سوخت، مورد استفاده قرار گیرد

Modeling and Prediction of Fuel Consumption and Emissions of Direct Injection Diesel Engines using Artificial Neural Network by Applying Control Parameters of Engine Speed, Fuel Mass and Inlet Air Temperature

In the present study, using artificial neural network, modeling and prediction of NOx, soot and fuel consumption in a direct injection diesel engine is done by applying control variables of engine speed, inlet air temperature and fuel mass injected into the combustion chamber. For this purpose, the empirical experiments were carried out to prepare the necessary modeling and correlation between input and output parameters by neural network. The neural network with the LevenbergMarquardt training algorithm is designed to train the existing relationship between the above parameters, in which the output variables are modeled completely independently. In other words, for any output such as NOx, the number of hidden layer neurons as well as the lattice control parameters would be quite different from the same parameters for soot or fuel consumption. The results show that the designed neural network reaches accuracy 0.97 for 36 neurons in the hidden layer at 3733th epoch to test the data in NOx modeling. Also, modeling of soot with more neurons and accuracy 0.96 is performed in the 2081th epoch. On the other hand, the test accuracy for modeling fuel consumption for 19 neurons in the hidden layer at 3698th epoch was 0.94 which is due to the uneven distribution of the experimental data over a wide range of modeling ranges. The neural network can also be used as an effective method in direct injection diesel engines intelligent control systems to reduce pollutants and fuel consumption due to its fast convergence and hence short response time.