تحلیل و ارزیابی موتور‌های دیزلی تزریق مستقیم به‌منظور بهینه‌سازی عملکرد و آلاینده‌ها

در مقاله حاضر،بهینه‌سازی هم‌زمان مصرف سوخت و آلاینده‌های noxو soot در یک موتور دیزلیتزریق مستقیم، با اعمال پارامترهای کنترلیِدمای هوای ورودی، جرم سوخت تزریق شده و دور موتور، با استفاده از ترکیب شبکه عصبی و الگوریتم مورچگان انجام شده است.با توجه به غیرخطی و پیچیده بودن رفتار موتورهای احتراق داخلی، ابتدا، با استفاده از آزمایشات تجربی انجام گرفته،ارتباط بین پارامترهایورودیو خروجی توسط شبکه عصبی فراهم گردید. شبکۀ عصبی مصنوعی با الگوریتم آموزشی لونبرگ مارگوارت برای مدل‌سازی و آموزش ارتباط موجود بین پارامترهای مذکور، استفاده شده و به عنوان یک روش پیشگو درالگوریتم مورچگان، برای یافتن مقادیر بهینه، به‌ صورت یک زیرروال به‌کار رفته است.نتایج نشان می‌دهد که به ازای یک دور خاص در موتور، پارامترهای بهینه شده به سمت دماهای پایین‌تر کشیده می‌شود و این به دلیل کاهش مقادیر آلاینده‌هایnoxو soot با پایین آمدن دمای هوای ورودی به موتور است. از طرفی بهبود کیفیت مقادیرnox تولید شده، به دلیل وزن بالای آن در تابع هدف بر نتیجه کلی بهینه سازی اثر گذاشته و رفتار تابع هدف از لحاظ همگرایی بسیار شبیه رفتار noxمی‌باشد. همچنین روش ترکیبی شبکه عصبی الگوریتم مورچگان به دلیل همگرایی سریع و به تبع آن، زمان پاسخگویی کوتاه، می‌تواند به عنوان یک روش موثردر سیستم‌های کنترل هوشمند موتورهای دیزلی برای کاهش آلاینده‌ها و میزان مصرف سوخت، مورد استفاده قرار گیرد.

Analysis and evaluation of direct injection diesel engines to optimize performance and emissions

In this paper, optimization of fuel consumption and NOx and soot emissions in a direct diesel engine is done using neural network and ant algorithm by applying the parameters of inlet air temperature, rate of fuel injection mass and engine speed. Complexity of the behavior of internal combustion engines was first determined by using experimental experiments to establish the relationship between the input and output parameters by the neural network. The artificial neural network with the LevenbergMarguerite training algorithm is used to model and train the existing relationship between the above parameters and is used as a subroutine for predicting optimal values in the ant colony algorithm. Results show the engine optimized parameters are drawn to lower temperatures due to lower NOx and soot emissions by lowering the inlet air temperature. Also the results of modeling and prediction performed by neural network show 98% and 94% concordance with the experimental data in emissions and fuel consumption, respectively. On the other hand, improving the quality of NOx values, because of its high weight in the objective function, affects the overall optimization result and the behavior of the objective function in convergence is very similar to NOx behavior. Also, combination of neural networkAnt algorithm approach due to its fast convergence and consequently short response time can be used as an effective method of diesel engine intelligent control systems to reduce emissions and fuel consumption.