پیش بینی آلایندگی خروجی خودرو در رانندگی واقعی با استفاده از یک روش نوین جمع آوری گازهای خروجی به کمک شبکه عصبی

امروزه کنترل میزان تولید آلایندگی توسط خودروها یک معضل بزرگ می‌باشد. بیشترین آلایندگی تولید شده توسط خودروها در زمان راه‌اندازی سرد موتور است. در پژوهش حاضر، یک روش جدید برای کاهش آلایندگی در زمان راه‌اندازی سرد و در نتیجه کاهش آلایندگی کلی توسط هوش مصنوعی ارایه شده است. در این روش یک شبکه عصبی توسط داده‌های آزمایشگاهی آموزش داده شده است. سپس دو سری ورودی سرعت، شتاب، زمان و شماره دنده رانندگی واقعی (یکی با استفاده از این روش نوین و دیگری بدون استفاده از این روش نوین) بصورت جداگانه به شبکه نورونی چند لایه اول داده شده‌ است و دمای پس‌پالایشگر سه‌کاره به عنوان خروجی بدست آمده است. در ادامه دمای پس‌پالایشگر سه‌کاره به همراه دو سری ورودی‌های شبکه نورونی چندلایه اول، بصورت جداگانه به عنوان ورودی به شبکه نورونی چندلایه دوم داده شده است و میزان تولید آلاینده‌ها (هیدروکربن‌های نسوخته، اکسیدهای نیتروژن وکربن مونواکسید) با استفاده از این روش نوین و بدون استفاده از این روش نوین به عنوان خروجی شبکه نورونی چندلایه دوم بدست آمده‎ است. نتایج بدست آمده حاکی از آن است که این روش نوین میزان تولید آلاینده‌های کربن مونواکسید، هیدروکربن‌های نسوخته و اکسیدهای نیتروژن را به ترتیب 4 الی 6 ، 19 الی 23 و 10 الی 16 درصد کاهش می‌دهد. شبکه های نورونی چندلایه مورد استفاده ضریب همبستگی بالای 95 درصد را برای داده‌های آموزش داشته‌اند و این به معنای قابل اعتماد بودن نتایج این شبکه‌ها می‌باشد.

predicting vehicle emissions using a novel method of collecting exhaust gases with the assistance of artificial neural network

today, controlling the level of pollution produced by cars is a significant challenge. the highest level of pollution generated by cars occurs during cold engine starts. a new method for reducing pollution during cold starts and, consequently, overall pollution reduction is examined in this research using artificial neural network.initially, two multi-layer neural networks are trained using laboratory data. then, two sets of real driving inputs (one using this novel method and the other without using this novel method) including speed, acceleration, time, and gear number are separately fed into the first multi-layer neural network, and two sets of catalytic converter temperatures are obtained as outputs. subsequently, these two sets of catalytic converter temperatures, along with the two sets of inputs for the first neural network, are again separately provided as inputs to the second multi-layer neural network. the amount of pollutant emissions (unburned hydrocarbons, nitrogen oxides, and carbon monoxide) is obtained as the output of the second multi-layer neural network using this novel method and without using this novel method. the results indicate that this novel method reduces the production of carbon monoxide, unburned hydrocarbons, and nitrogen oxides by 4 to 6%, 19 to 23%, and 10 to 16%, respectively, which is a significant reduction overall.the neural networks used in this study had a correlation coefficient of over 95% for the training data, which indicates the reliability of the results obtained from these networks. in conclusion, the use of this new method can contribute to the reduction of pollutants in the earth s atmosphere.