استفاده از شبکه های عصبی و الگوریتم بهینه سازی مورچگان برای مدلسازی و کاهش آلاینده های nox و soot در موتورهای دیزل پاشش مستقیم

امروزه استفاده از موتورهای احتراق داخلی در کاربردهای مختلف به دلیل بالا بودن نسبت توان به حجم در آنها توسعه فراوانی پیدا کرده است. در این میان، موتورهای دیزل به دلیل دارا بودن راندمان حرارتی بالا و همچنین مقرون به صرفه بودن از لحاظ مصرف سوخت، از اهمیت ویژه ای در سال های اخیر برخوردار بوده اند. تلاش های انجام گرفته به منظور استفاده از مزایای این نوع موتورها در امور حمل و نقل و کاربردهای دیگر، مستلزم رعایت استانداردهای آلایندگی است. راهکارهای مختلفی برای کاهش آلاینده های خروجی از موتورهای دیزل که مهمترین آن ها، آلاینده های nox و soot هستند، اندیشیده شده است. استفاده از روش های کنترلی در سیستم های مدیریت مهندسی جهت یافتن مقادیر بهینه پارامترهای موثر در تولید آلاینده ها، یکی از مهمترین و کم هزینه ترین روش های کاهش آلاینده ها بوده، اما در عین حال از پیچیدگی خاصی برخوردار است. در این سیستم ها همواره نیاز به یک روش مناسب برای ایجاد یک مدل دقیق که در آن ارتباط بین پارامترهای کنترلی و آلاینده های خروجی مشخص شود، احساس می شود. مدلسازی در مباحث مهندسی عمدتاً بر روش هایی تأکید دارد که در آنها بتوان در کوتاه ترین زمان ممکن، دقیق ترین نتایج را به دست آورد. شبکه عصبی مصنوعی یکی از این روش هاست که با توجه به داده های تجربی موجود به مدلسازی مسأله پرداخته و بسته به نوع مسأله، شیوه آموزش مسأله و تعداد داده های تجربی مورد استفاده می تواند دارای دقت های متفاوتی باشد.امروزه، شبکه های عصبی به یک ابزار قدرتمند برای تحلیل ارتباط موجود بین پارامترهای ورودی و خروجی در کاربردهای مختلف تبدیل شده اند. تکامل این شبکه ها و کاربردهای آن ها از نیمه دوم قرن بیست تا به امروز با شتاب تندی در حال پیشرفت بوده است. این شبکه ها که در اصل با الهام گرفتن از نحوه فعالیت شبکه های عصبی مغز انسان به وجود آمده اند، با الگوریتم های یادگیری متفاوت، به خوبی می توانند به مدلسازی مسائل خطی و غیرخطی بپردازند؛ در نهایت می توان از الگوریتم های فراابتکاری همچون الگوریتم مورچگان به بهینه سازی مسائل مدل شده توسط شبکه های عصبی پرداخت.الگوریتم بهینه سازی مورچگان یکی از روش های جدید با همگرایی سریع برای بهینه سازی در یک فضای جستجو با الهام گرفتن از نحوه لانه سازی مورچه ها و جستجوی غذا از طریق کوتاه ترین مسیر است. این نوع الگوریتم ها که تنوع زیادی بسته به نوع مسأله و دقت مورد نیاز برای حل مسأله دارند، به کمک روش های مختلف مدلسازی به بهینه سازی پارامترهای ورودی یا کنترلی می پردازند. تاکنون کارهای زیادی با استفاده از شبکه های عصبی مصنوعی برای مدلسازی پارامترهای ورودی و خروجی در مباحث مهندسی انجام گرفته است؛ اگرچه الگوریتم فراابتکاری مورچگان به عنوان یک روش و دیدگاه جدید در حوزه بهینه سازی در سال های اخیر مورد توجه قرار گرفته است ولی کاربرد آن در مباحث مرتبط با آلاینده های منتشره از موتورهای احتراق داخلی تاکنون مطالعه نشده است. در فصل دوم پژوهش حاضر، مفاهیم اساسی در موتورهای دیزل که شامل شناخت موتورهای دیزل و موارد مرتبط با تولید آلاینده ها در آنهاست، به طور مختصر بیان گردیده است. در فصل سوم به مطالعه آلاینده های منتشره از موتورهای احتراق داخلی به خصوص موتورهای دیزل پرداخته شده و در فصل چهارم پارامترهای اساسی در تولید آلایندها و نحوه تأثیر گذاری آنها بر افزایش یا کاهش دو آلاینده مهم یعنی nox و soot مورد تجزیه و تحلیل قرار گرفته است؛ همچنین، نتایج تجربی برای موتور دیزل مورد مطالعه یعنی om355 با توجه به کاتالوگ های شرکت سازنده این نوع موتورها همراه با ویژگی های فنی آن، در این فصل آورده شده است. فصل پنجم، شبکه های عصبی مصنوعی و الگوریتم های آموزشی مورد استفاده درآن، برای مدلسازی مسأله را مورد مطالعه قرار داده و مقدمات لازم برای بهینه سازی مسأله توسط الگوریتم مورچگان را فراهم کرده است. در فصل ششم، الگوریتم مورچگان، کابردها، انواع و مکانیزم عملکرد آن به طور مفصل توضیح داده شده و روش مورد استفاده برای بهینه سازی مسئله مورد نظر بیان شده است. در نهایت، در فصل هفتم، نتایج مدلسازی و بهینه سازی مسأله که ترکیبی از نتایج به دست آمده از شبکه عصبی مورد استفاده و الگوریتم مورچگان است، آورده شده است. همچنین، نتایج کلی تحقیقات انجام گرفته و پیشنهاداتی جهت مطالعه بیشتر، با استفاده از روش های دیگر در انتهای پایان نامه ارائه گردیده است.