تحليل و ارزيابي موتور‌هاي ديزلي تزريق مستقيم به‌منظور بهينه‌سازي عملكرد و آلاينده‌ها

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

در مقاله حاضر،بهينه‌سازيهم‌زمان مصرف سوخت و آلاينده‌هاي NOxو soot در يك موتور ديزليتزريق مستقيم، با اعمال پارامترهاي كنترليِدماي هواي ورودي، جرم سوخت تزريق شده و دور موتور، با استفاده از تركيب شبكه عصبي و الگوريتم مورچگان انجام شده است.با توجه به غيرخطي و پيچيده بودن رفتار موتورهاي احتراق داخلي، ابتدا، با استفاده از آزمايشات تجربي انجام گرفته،ارتباط بين پارامترهايوروديو خروجي توسط شبكه عصبي فراهم گرديد. شبكۀ عصبي مصنوعي با الگوريتم آموزشي لونبرگ- مارگوارت براي مدل‌سازي و آموزش ارتباط موجود بين پارامترهاي مذكور، استفاده شده و به عنوان يك روش پيشگو درالگوريتم مورچگان، براي يافتن مقادير بهينه، به‌ صورت يك زيرروال به‌كار رفته است.نتايجنشان مي‌دهدكهبه ازاييك دور خاص در موتور، پارامترهاي بهينه شده به سمت دماهاي پايين‌تر كشيده مي‌شود و اين به دليل كاهش مقادير آلاينده‌هايNOxو soot با پايين آمدن دماي هواي ورودي به موتور است. از طرفي بهبود كيفيت مقاديرNOx توليد شده، به دليل وزن بالاي آن در تابع هدف بر نتيجة كلي بهينه سازي اثر گذاشته و رفتار تابع هدف از لحاظ همگرايي بسيار شبيه رفتار NOxمي‌باشد. همچنينروش تركيبي شبكه عصبي - الگوريتم مورچگان به دليل همگرايي سريعو به تبع آن، زمان پاسخگويي كوتاه، مي‌تواند به عنوان يك روش مؤثردر سيستم‌هاي كنترل هوشمند موتورهاي ديزلي براي كاهش آلاينده‌ها و ميزان مصرف سوخت، مورد استفاده قرار گيرد.

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 Levenberg-Marguerite 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 network-Ant 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.