استفاده از روش‌های آماری و هوش مصنوعی جهت پیش‌بینی دمای گاز خروجی از توربین یک موتور میکروتوربین گاز آزمایشگاهی

در این مقاله ارتباط دمای گاز خروجی از توربین یک موتور میکروتوربین گاز آزمایشگاهی نسبت به تغییرات پارامتر دور عملکردی موتور، با دو روش داده­کاوی بررسی شده است. برای این منظور پارامتر دمای گاز خروجی از توربین به‌عنوان مقدار خروجی اندازه‌گیری شده از موتور و دور عملکردی موتور به‌عنوان متغیر ورودی در نظر گرفته شده است. از شبکه عصبی پرسپترون یک­لایه و دولایه و شبکه عصبی شعاعی به‌همراه روش رگرسیون چندجمله ای برای پیش بینی رابطه غیرخطی موجود بین پارامتر ورودی و خروجی اندازه گیری شده از موتور استفاده شده است. آزمایش های مربوطه با به‌کارگیری یک موتور میکروتوربین گاز آزمایشگاهی با مقادیر دور عملکردی در محدوده صفر تا 108000 دور بر دقیقه انجام شده است. نتایج حاصل از پیش­بینی دمای گاز خروجی از توربین با روش­های داده­کاوی نشان می­دهند که این روش­ها توانایی قابل قبولی در دست­یابی به تطابق مناسب بین مقادیر اندازه‌گیری شده و پیش بینی شده دمای گاز خروجی از توربین دارند. نتایج حاکی از آن است که روش پرسپترون دولایه در مقایسه با روش های پرسپترون یک لایه، شبکه شعاعی و رگرسیون، توانایی بیشتری در پیش بینی پارامتر عملکردی موتور در این مطالعه دارد.

Using statistical and artificial intelligence approach to predict the exhaust gas temperature of a micro gas turbine engine

To study the relation between the amount of Exhaust Gas Temperature (EGT) as the output quantity of an experimental gas turbine engine and the parameter of engine rotational speed (RPM), as its input quantity, two different data mining approaches were employed in the present work. Artificial Neural Network (ANN) and Multiple Polynomial Regression (MPR) techniques were used to predict the nonlinear relation between the input and output of the engine. The related experiments were already performed by using an experimental micro gas turbine engine with an engine rotational speed in the range of 0 ~ 108000 RPM. The results show that, in general, both the ANN and MPR approaches have good predicting capability for estimating exhaust gas temperature values. Also the results of using the ANN and MPR approaches show that the degree of agreement between the predicted and measured values of exhaust gas temperature is higher for the case of employing the ANN approach. In other words, the ANN has better predicting capability for estimation of exhaust gas temperature than the MPR method.