كاربرد شبكه عصبي مصنوعي و روش سطح پاسخ در پيش‌بيني و بهينه‌سازي پارامترهاي عملكردي و آلايندگي موتور ديزل دوگانه سوز در حضور افزودني آب

در اين مطالعه، از روش‌هاي شبكه عصبي مصنوعي (ANN) و سطح پاسخ (RSM) براي مدلسازي و بهينه سازي آزمايش‌هاي تجربي در راستاي بررسي تاثير گازطبيعي (NG)، آب و بيوديزل حاصل از روغن خوراكي پسماند در فرايند احتراق موتور ديزل تك سيلندر استفاده شد. در ابتدا، آزمايش موتور با ديزل خالص انجام شد و سپس موتور براي كار در حالت دوگانه سوز آماده شد. با استفاده از يك ميكسر، گاز طبيعي در منيفولد ورودي با هوا مخلوط شد و امولسيون آب، بيوديزل و ديزل به عنوان سوخت تزريق مستقيم به كارگرفته شدند. سهم انرژي گاز طبيعي در اين كار تحقيقاتي از 60 تا 80 درصد متغير بود. آب با درصد حجمي 0.1 تا 0.5 درصد با مخلوط هاي ديزل بيوديزل مخلوط شد. مدل شبكه عصبي مصنوعي براي پيش‌بيني همبستگي بين پاسخ‌هاي خروجي موتور شامل پارامترهاي عملكردي و آلايندگي و عوامل ورودي شامل بار موتور، درصد گاز طبيعي و درصد بيوديزل با استفاده از الگوريتم پس انتشار خطا توسعه داده شده است. روش سطح پاسخ به بهينه سازي پارامترهاي ورودي موتور به منظور به حداقل رساندن انتشار و به حداكثر رساندن عملكرد موتور مربوط مي شود. تعداد نرون 18 بالاترين دقت، كمترين RMSE (0.490، 6.522، 1.777، 1.507، 103.97 و 1.119) و بالاترين ضريب همبستگي (0.79، 0.99، 0.88، 0.92، 0.95، و 0.85) به ترتيب براي توان ترمزي، مصرف سوخت ويژه ترمزي، بازده حرارتي،BSCO، BSCO2، و BSNOx توليد كرده است. بنابراين تعداد 18 نرون در لايه مخفي به عنوان بهينه تعداد نرون در لايه مخفي انتخاب شد و با توجه به تعداد ورودي ها و خروجي ها، بهترين معماري شبكه، 6 - 18 - 3 ناميده شد.