بهينه‌سازي مصرف سوخت و آلاينده‌ها در موتورهاي ديزلي با استفاده از شبكه عصبي و قاعده مورچگان با رويكرد زمان متغير دريچه ورودي و سامانه پاشش سوخت

Optimization of fuel consumption and emissions in diesel engines by using of artificial neural network and ant colony algorithm with intake VVT and fuel injection approach

در اين مقاله با استفاده از نتايج آزمايشگاهي و شبيه‌سازي عددي صورت گرفته توسط نرم افزار فاير، مدل‌سازي آلاينده‌ها و همچنين ميزان مصرف سوخت در يك موتور ديزل پاشش مستقيم با استفاده از شبكه عصبي انجام گرفته كه ورودي مدل‌سازي، دماي هواي ورودي، جرم سوخت تزريق‌شده، تايمينگ تزريق سوخت، طول مدت تزريق، دور موتور و تايمينگ بسته‌شدن سوپاپ ورودي مي‌باشد. سپس بر اساس مدل‌هاي بدست آمده براي خروجي‌هاي فوق، با استفاده از الگوريتم بهينه‌سازي مورچگان به بهينه‌سازي كمترين مقدار آلاينده‌ها و همچنين كمترين ميزان مصرف سوخت پرداخته شده است. براي اين منظور، با استفاده از آزمايشات تجربي و همچنين شبيه‌سازي صورت گرفته، مقدمات لازم براي مدلسازي پارامترهاي عملكردي و خروجي توسط شبكه عصبي فراهم شده است. شبكه عصبي مصنوعي با الگوريتم آموزشي لونبرگ- مارگوارت براي مدلسازي و آموزش ارتباط موجود بين پارامترهاي مذكور با بهره‌گيري از داده‌هاي موجود، استفاده شده و به عنوان يك روش پيشگو در الگوريتم مورچگان براي يافتن مقادير بهينه به صورت يك زيرروال بكار رفته و متغير‌هاي طراحي كه باعث بهينه‌سازي توابع هدف مي شوند، بدست آمده است. نتايج بررسي‌ها، حاكي از همگرايي سريع و زمان پاسخگويي كوتاه الگوريتم مورچگان و بهينه‌سازي خوب پارامترهاي كنترلي در مقايسه با ديگر الگوريتم‌هاي فراابتكاري است. همچنين روش تركيبي شبكه عصبي-الگوريتم مورچگان به دليل همگرايي سريع و بهينه‌سازي قابل توجه پارامترهاي خروجي، مي‌تواند به عنوان يك روش مؤثر در سيستم‌هاي كنترل هوشمند موتورهاي ديزل براي كاهش آلاينده‌ها و مصرف سوخت مورد استفاده قرار گيرد.

In this paper, by using of the experimental results and numerical simulation with AVL FIRE software and using of artificial neural network, NOx and soot emissions and fuel consumption of a diesel engine was modeled, that input variables of modeling are, air intake temperature, mass fuel injected, fuel injection timing, injection duration, engine speed and IVC timing. Then by using of ant colony optimization algorithm and based on the obtained models for outputs, values of NOx and soot emissions and fuel consumption has been optimized. For this purpose, by using of experimental data and numerical simulation, the arranging for modeling of performance and output was provided by the ANN. Artificial neural network with Levenberg-Marquardt training algorithm and using of the experimental and numerical data was applied for modeling and training of relationship between these parameters and this method was applied as a predictive method of ant colony algorithm to find the optimal values and used as a subroutine. Then the design variables that optimized the objective functions were obtained. The results show a fast convergence and good response times and optimizing the control parameters of the ant colony algorithm compared with other metaheuristic algorithms. Due to the rapid and significant convergence of output parameters, combination of artificial neural network (ANN) and ant colony optimization (ACO) can be used as an effective method in intelligent control systems for diesel engines to reduce emissions and fuel consumption.