پیشبینی عملکرد و گازهای خروجی موتور با استفاده از سوختهای بیودیزل مختلف توسط مدلسازی با شبکه عصبی مصنوعی

چکیده کاهش منابع انرژی، افزایش تقاضای سوخت و قوانین سخت گیرانه زیست محیطی، کمپانی های خودرو را به ارائه ی روش های جدید جهت کاهش آلاینده ها و افزایش کارایی موتور وادار کرده است. به منظور مقابله با این تهدید ها سوخت های اکسیژنه از جمله بیودیزل در بسیاری از کشورها با موفقیت به عنوان جایگزین سوخت دیزل درموتورهای اشتعال تراکمی به کار برده شده اند. از آنجایی که مطالعات آزمایشگاهی ترکیبات انواع سوخت های بیودیزل در شرایط مختلف برای کشف ویژگی های آنها روشی پر هزینه و زمانبر است استفاده از هر روش مفید دیگری برای تخمین این خصوصیات بحثی ضروریست. یک روش نیرومند که می تواند نیاز به آزمایش های سنگین را از میان بردارد استفاده از شبکه های عصبی مصنوعی است. هدف این پژوهش ایجاد و مقایسه ی مدل های شبکه عصبی مصنوعی(ann) انتشار خطای پس رو(bpnn)، رگرسیون تعمیم یافته(grnn) و همچنین سه شبکه عصبی ترکیبی با الگوریتم های تکاملی رقابت استعماری(ica)، ژنتیک(ga) و جامعه ذرات(pso) ، برای تخمین آلاینده های خروجی و عملکرد موتور دیزل توربوشارژ چهار سیلندر تزریق مستقیم سوخت رسانی شده با ترکیبات b5 تولید شده از پلی استایرن-بیودیزل-دیزل، تحت شرایط عملکرد مختلف است. با استفاده از شبکه های عصبی مذکور به مدلسازی ارتباط بین پارامترهای کنترلیِ، درصد هوای اضافی، دور موتور، گشتاور و جرم سوخت و درصد پلاستیک حل شده در سوخت، با پارامترهای خروجیِ، soot ,nox , co2, o2 ، توان و دمای گاز خروجی در موتور om314 پرداخته شده است. نتایج پیشبینی نشان می دهد که مقادیر ضریب همبستگی(r) برای تمامی شبکه ها مقداری نزدیک به واحد میباشد و این نشانگر رابطه ی خطی مناسبی بین نتایج تجربی و پیش بینی شده است. همچنین مقادیر میانگین مربعات خطای نسبی (mse) برایbpnn وgrnn و شبکه های ترکیبی با الگوریتم های ica، ga و pso، به ترتیب برابر با 0.007 و 0.0075 ، 0.0189،0.0168، 0.0070 است. مقایسه نتایج پیشگویی ها نشانگر این است که شبکه های grnn از نظر سرعت و سادگی بهتر از شبکه های عصبی سنتی پس انتشار هستند، از طرف دیگر شبکه های عصبی پس انتشار خطا در صورتی که خوب آموزش دیده باشند قادر به پیشبینی دقیق میباشند. استفاده از الگوریتم های تکاملی به عنوان الگوریتم یادگیری موجب کاهش شدید سرعت همگرایی شبکه شد. از بین سه شبکه ترکیبی، شبکه ی عصبی آموزش دیده باpso، بهترین نتایج پیش بینی را دربرداشت. بنابراین به خاطر سرعت زیاد و دقت قابل قبول، ازgrnn وbpnn می توان به عنوان ابزار های نیرومندی در پیشبینی و مدلسازی عملکرد و صدوری های موتور دیزلی که با ترکیبات سوخت دیزل، بیودیزل و پلی استایرن تغذیه میشود استفاده کرد. کلمات کلیدی: مدلسازی، شبکه ی عصبی مصنوعی پس انتشار خطا، شبکه های رگرسیون تعمیم یافته، الگوریتم ژنتیک، الگوریتم رقابت استعماری، الگوریتم جامعه ی ذرات،موتورهای ci ، بیودیزل، پلی استایرن.