مدل‌سازي و شبيه سازي احتراق در موتورهاي اشتعال جرقه اي به وسيله شبكه هاي عصبي و همچنين بررسي كاليبراسيون و اكتساب داده ها در نرم افزار جي تي-پاور

Modeling and Simulation of Combustion in SI Engines via Neural Networks and Investigation of Calibration and Data Acquisition in the GT-Power Software

پيش نياز بسياري از فرآيندهاي كنترلي، مدل‌سازي است. مدل مورد استفاده براي طراحي كنترلر، مي بايست دقيق و داراي پاسخي سريع باشد. استفاده از روش هاي مرسوم مدل‌سازي، يعني مدل‌سازي بر اساس حل (عددي) معادلات حاكم بر جريان سيال داخل محفظه احتراق، بسيار زمان بر بوده و براي يك هدف كنترلي مناسب نيستند. در اين مقاله تلاش مي شود تا احتراق در يك موتور اشتعال جرقه اي با استفاده از شبكه هاي عصبي، مدل‌سازي شود و مدلي دقيق و درعين‌حال سريع براي احتراق به دست آيد. هر فرآيند آموزش شبكه هاي عصبي، نيازمند اكتساب داده هاي آزمايشگاهي است. از طرف ديگر، فرآيندهاي تست موتور، بسيار پرهزينه بوده و جداول داده هاي تست موجود (در صنعت) نيز براي آموزش شبكه هاي عصبي كافي نيستند. در اين مقاله، ابتدا با استفاده از يك نرم افزار سي اف دي، مدلي يك بعدي از موتور تهيه و بر اساس داده هاي واقعي تست موجود كاليبره و صحه گذاري مي گردد. سپس با استفاده از مدل صحه گذاري شده سي اف دي، فرآيند اكتساب داده هاي مورد نياز اجرا مي شود. به دليل عدم دسترسي به ضرايب و داده هاي آزمايشگاهي مورد نياز، كاليبراسيون مرحله اي پيچيده و بسيار زمان بر است. در اينجا تلاش شده است تا به شيوه اي علمي، كاليبراسيون مدل موتور در نرم افزار جي تي پاور اجرا و بيان گردد. در مرحله بعد، پس از بررسي اجمالي روش هاي به كار رفته در طراحي شبكه هاي عصبي، مدل‌سازي فرآيند احتراق بيان مي شود. در نهايت، پاسخ هاي مدل شبكه عصبي با نتايج حاصل از نرم افزار جي تي پاور مقايسه شده و دقت بالاي مدل نشان داده مي شود.

A prerequisite in the majority of control processes is modeling. The model used to design a controller must be both accurate and real-time. Utilizing prevalent approaches of modeling, namely modeling based on (numerically) solving the equations governing the fluid in the combustion chamber, is too time-consuming and not suitable for control purpose. This paper aims to model combustion in an SI engine by means of neural networks and present an accurate and fast-response model for combustion. Obviously, any training procedure of neural networks involves empirical data acquisition. On the other hand, engine testing is highly expensive, and testing data tables available (in industry) is not sufficient to train neural networks. In this paper, first with the aid of CFD software, a one-dimensional model of an engine is constructed, and then calibrated using the factual experimental data at hand. Afterwards, acquiring data required is performed via the validated CFD model. As a matter of fact, because of the lack of access to necessary experimental coefficients, calibration is an extremely complicated and time-consuming process. An attempt is made to accomplish and spell out the calibration of the engine model in the GT-Power software, in a scientific practice. After a brief survey on the methods employed in designing the neural networks, modeling of the combustion chamber will be stated. Eventually, the response of the constructed NN model will be compared to the results gained from the GT-Power software, and the great accuracy of the NN model will be shown.