مدل‌سازي و پيش‌بيني مصرف سوخت و آلايندگي در موتورهاي ديزلي پاشش مستقيم با استفاده از شبكه‌ عصبي مصنوعي با اعمال پارامترهاي كنترليِ دور موتور،‌ جرم سوخت و دماي هواي ورودي

Modeling and Prediction of Fuel Consumption and Emissions of Direct Injection Diesel Engines using Artificial Neural Network by Applying Control Parameters of Engine Speed, Fuel Mass and Inlet Air Temperature

در پژوهش حاضر با استفاده از شبكۀ عصبي مصنوعي، مدل‌سازي و پيش‌بيني آلاينده‌هاي NOx، دوده و مصرف سوخت در يك موتور ديزلي پاشش مستقيم با اعمال متغيرهاي كنترليِ دور موتور،‌ دماي هواي ورودي به موتور و جرم سوخت پاشيده شده به محفظة احتراق انجام شده‌است. براي اين منظور، با استفاده از آزمايشات تجربي انجام گرفته، مقدمات لازم براي مدل‌سازي و ارتباط بين پارامترهاي ورودي و خروجي توسط شبكه عصبي فراهم گرديد. شبكۀ عصبي مصنوعي با الگوريتم آموزشي لونبرگ-ماركوارت براي آموزش ارتباط موجود بين پارامترهاي مذكور، طوري طراحي شده‌ كه در آن مدل‌سازي متغيرهاي خروجي به صورت كاملاً مستقل انجام مي‌گيرد. يعني براي هر خروجي مانند NOx، تعداد نرون‌هاي لايه پنهان و پارامترهاي كنترلي شبكه كاملا متفاوت از همين پارامترها براي دوده يا مصرف سوخت خواهد بود. نتايج نشان مي‌دهد شبكه عصبي طراحي شده، به ازاي 36 نرون در لايه پنهان در دور 3733 به دقت 0/97 براي آزمايش داده ها در مدل‌سازي NOx مي‌رسد. همچنين مدل‌سازي دوده با تعداد نرون‌هاي بيشتر و دقت 0/96 در دور 2081 انجام مي‌شود. از طرفي ميزان دقت آزمايش براي مدل شبكه‌ايِ مصرف سوخت به ازاي 19 نرون در لايه پنهان در دور 3698 برابر 0/94 بوده كه كاهش دقت مدل‌سازي آن، مربوط به پراكندگي ناموزون داده‌هاي تجربي در طيف وسيعي از دامنه مدل‌سازي مي‌باشد. مدل پيشنهادي شبكه عصبي ، به دليل همگرايي سريع و به تبع آن، زمان پاسخگويي كوتاه، مي‌تواند به عنوان يك روش مؤثر در سيستم‌هاي كنترل هوشمند موتورهاي ديزلي پاشش مستقيم براي كاهش آلاينده‌ها و مصرف سوخت، مورد استفاده قرار گيرد

In the present study, using artificial neural network, modeling and prediction of NOx, soot and fuel consumption in a diesel engine is done by applying control variables of engine speed, inlet air temperature and injected fuel mass. The neural network with the Levenberg-Marquardt algorithm is designed to train the existing relationship between the above parameters, in which the output variables are modeled completely independently. In other words, for any output such as NOx, the number of hidden layer neurons as well as the lattice control parameters would be quite different from the same parameters for soot or fuel consumption. The results show that the designed neural network reaches accuracy 0.97 for 36 neurons in the hidden layer at 3733th epoch to test the data in NOx modeling. On the other hand, the test accuracy for modeling fuel consumption for 19 neurons in the hidden layer at 3698th epoch was 0.94, which is due to the uneven distribution of the experimental data over a wide range of modeling ranges. The neural network can also be used as an effective method in diesel engines intelligent control systems to reduce pollutants and fuel consumption due to its fast convergence and short response time.