مطالعه عوامل موثر بر مصرف سوخت در یک سیکل مسافت ثابت درون شهری با استفاده از مدل‌های خوشه بندی و‌ شبکه عصبی مصنوعی

هدف از مطالعه حاضر، بررسی عوامل موثر بر مصرف سوخت در یک سیکل مسافت ثابت درون شهری با استفاده از مدل‌های خوشه بندی و شبکه عصبی مصنوعی می‌باشد. در این مطالعه داده‌های واقعی ثبت شده یک راننده که 9 مرتبه سیکل مسافت ثابت درون شهری را طی نموده است، مورد بحث و بررسی قرار گرفته‌اند. برای تحلیل دقیق‌تر داده‌ها، نتایج به دو بخش تقسیم شده‌اند. در بخش اول با تقسیم مسافت ثابت به مسافت‌های کوچک‌تر، مسافت کوچکی که در تمام سیکل‌ها باعث افزایش مصرف سوخت شده است، انتخاب گردیده و به شکل دقیق مورد بحث و بررسی قرار گرفته است. در بخش دوم تمامی داده‌های ثبت شده به شکل کلی و با دیدگاه کلان مورد بحث و بررسی قرار گرفته‌اند. در تحلیل داده‌ها از روش یادگیری ماشین خوشه بندی جهت شناسایی خوشه‌های پرمصرف و شناسایی پدیده‌های موثر بر ایجاد خوشه‌های مذکور استفاده گردیده است. همچنین با استفاده از مدل شبکه عصبی مصنوعی، عملکرد موتور در شرایط کاری مختلف تحلیل و بررسی شده است. نتایج نشان می‌دهند که چهار عامل اصلی باعث تشدید مصرف سوخت در سیکل مسافت ثابت درون شهری می‌باشند: حالت استارت سرد خودرو، حالت تعویض دنده معکوس در دنده‌های پایین، حالت افزایش دور موتور در دنده‌های میانی و حالت دور موتور میانی در دنده‌های بالا از اصلی‌ترین عوامل افزایش مصرف سوخت در یک سیکل مسافت ثابت درون شهری می‌باشند.

an investigation of factors affecting fuel consumption in an urban constant distance cycle by using clustering and artificial neural network models

the main aim of the present study is an investigation of factors affecting fuel consumption in an urban constant distance cycle by using clustering and artificial neural network models. in this study, the real recorded data of a driver traveling 9 times in an urban constant distance cycle are analyzed. for better precision, results are divided into two parts. in the first part, by dividing the constant distance into smaller distances, a small distance increasing fuel consumption in all cycles is investigated in detail. in the second part, all the recorded data are totally discussed. in the data analysis, clustering machine learning method is used to identify the most used clusters and to recognize the phenomena affecting the creation of mentioned clusters. also, by using artificial neural network model, engine performance in various operation conditions is studied. results show that four main factors increase fuel consumption in the urban constant distance cycle: the cold start mode of the car, the reverse gear shifting mode in low gears, the engine speed increase mode in middle gears and the middle engine speed mode in high gear.