پيش‌بيني پارامترهاي روغن‌كاري ياتاقان چشم كوچك شاتون موتور ملي EF7 به كمك شبكه‌هاي عصبي با شبيه‌سازي در نرم‌افزار AVL EXCITE

پيش‌بيني پارامترهاي روغن‌كاري ياتاقان چشم كوچك شاتون موتور ملي EF7 به كمك شبكه‌هاي عصبي با شبيه‌سازي در نرم‌افزار AVL EXCITE

براي كاهش سايش در مجموعه گژن‌پين، بوش و باس پيستون روغن‌كاري انجام مي‌شود. روغن مورد استفاده در موتور ملي از نوع 10W40 با لزجت ديناميكي mPa.s 5/5 در دماي كاري 140 درجه سليسيوس است. به منظور تحليل هيدروديناميك لايه روغن در چشم ‌كوچك شاتون، مدل واقعي موتور با در نظر گرفتن چهار سيلندر در نرم‌افزار AVL EXCITE 5.1 شبيه‌سازي شد. در اين نرم‌افزار تاثير شش پارامتر دماي روغن، نوع تنفس، نوع سوخت، مقدار لقي بين گژن‌پين و بوش برنزي چشم كوچك شاتون، موقعيت قرارگيري ياتاقان، سرعت دوراني موتور بر پارامترهاي روغن‌كاري (بيشينه فشار و كمينه ضخامت) مدل‌سازي شده و نمودارهاي مربوطه استخراج مي‌شود. هچنين تاثير اين شش فاكتور بر پارامتر روغنكاري براي چهار حالت مختلف موتور مل EF7 توسط شبكه‌هاي عصبي شبيه‌سازي مي‌شود. نتايج شبيه‌سازي در نرم‌افزار AVL EXCITE 5.1 نشان مي‌دهد كه بيشترين فشار و كمترين ضخامت هيدروديناميك لايه روغن در دور rpm 3500 در °372 زاويه لنگ (لحظه احتراق) در موتور EF7 پرخوران(TC) با سوخت CNG به ترتيب MPa 446 و µm 83/1 در دماي كاري °C140 رخ مي‌دهد، كه احتمال سايش ياتاقان در اين شرايط كاري وجود دارد. از شبكه‌هاي عصبي پس انتشار رو به عقب (FFBP) براي اينكار استفاده گرديد. نتايج نشان داد كه بهترين توپولوژي براي پيش‌بيني پارامترهاي روغن‌كاري (بيشينه فشار و كمينه ضخامت) شبكه عصبي‌اي با ساختار 2-30-24-6، الگوريتم آموزش trainlm و توابع آستانه logsig، tansig و pureline مي‌باشد. اين شبكه در 120تكرار (epoch) و در مدت زمان 6/85 ثانيه با خطاي يادگيري 00229/0 همگرا مي‌شود. خطاي شبكه (MSE) براي اين توپولوژي براي الگوهاي آموزش، ارزيابي و تست به ترتيب 0013/0، 0027/0 و 0018/0 مي‌باشد. ضريب تبيين (R2) نيز براي الگوهاي آموزش، ارزيابي و تست به ترتيب 9952/0، 9988/0 و 9965/0 محاسبه گرديد.

In order to reduce wear in gudgeon pin, bush and piston boss lubrication is done. Oil used in national engine species was 10W40 with dynamic viscosity 5.5 mPa.s at 140 °C (the working temperature). In order to complete investigation the oil film hydrodynamics analysis in small end of connecting rod, a real full model engine with four cylinders has been simulated by AVL EXCITE5.1 software. In this software, effect of 6 variables consist of; oil temperature, kind of intake, kind of fuel, tolerance bearings between gudgeon pin and bronze bush, position of bearing and engine speed on maximum pressure and minimum thickness of film were investigated, and each curves of them has been extracted. The effect of six inputs (oil temperature, intake type, fuel type, tolerance, bearing position, and engine rotation speed) on the lubrication parameters was simulated for four different modes of national engine EF7 by neural networks. The results of AVL EXCITE simulation show that Maximum hydrodynamics pressure of oil film occurs at 3500 rpm in 372° crank angle (combustion moment) in turbocharged engine EF7 with CNG fuel was 446 MPa and 1.83 µm respectively at 140°C working temperature of oil. At same condition, minimum hydrodynamics of oil thickness was 1.83 µm, which bearing wear was the possibility. The best neural network FFBP topology for the prediction lubrication parameters (maximum pressure and minimum thickness) was 6-24-30-2 structure with learning algorithm trainlm and functions threshold logsig, tansig and is pureline. This network at 120 epochs, 85.6 second with learning error 0.00229 was convergent. Network error (MSE) for this topology for training, evaluation and testing patterns were 0.0013, 0.0027 and 0.0018 respectively. Also determination coefficient (R2) for this topology for training, evaluation and testing patterns were 0.9952, 0.9988 and 0.9965 respectively.