بهينه سازي احتراق اشتعال تراكمي با كنترل واكنش پذيري در يك موتور ديزل سنگين با سوخت هاي گاز طبيعي و گازوييل

Optimization of Reactivity Controlled Compression Ignition Combustion in a Heavy Duty Diesel Engine Running on Natural Gas/Diesel Fuel

هدف اصلي اين تحقيق بهينه سازي احتراق اشتعال تراكمي با كنترل واكنش پذيري در يك موتور ديزل سنگين تك سيلندر در عملكرد تحت فشار موثر متوسط انديكاتوري 9/4 بار با سوخت هاي گاز طبيعي و گازوييل به منظور كاهش آلاينده ها و سر و صداي احتراق از طريق بكارگيري احتراق دما پايين با حداقل تلفات در قدرت خروجي موتور مي باشد. براي اجراي فرآيند بهينه سازي، تاثير سه فاكتور مهم بر عملكرد موتور بوسيله طراحي آزمايشات- روش فاكتوريال ارزيابي مي شود بطوريكه همه فاكتورهاي موثر ديگر ثابت در نظر گرفته شدند. مدل رياضي احتراق اشتعال تراكمي با كنترل واكنش پذيري بطور مستقيم بوسيله يك شبكه عصبي مصنوعي شناسايي شده و فرآيند بهينه سازي با استفاده از دو الگوريتم مختلف بهينه سازي اجرا مي گردد. براي ارزيابي و صحه گذاري نتايج بهينه بدست آمده، داده ها بعنوان فاكتورهاي ورودي براي شبيه سازي احتراق در موتور استفاده مي شوند . نتايج نشان مي دهند كه شبكه عصبي طراحي شده براي تقريب مدل رياضي احتراق كارآمد مي باشد. همچنين با بهينه سازي احتراق از طريق بكارگيري الگوريتم هاي مختلف، محدوده بهينه عملكردي موتور بخوبي تخمين و توسعه يافته است.

The aim of this study is optimization of reactivity controlled compression ignition (RCCI) combustion of a single cylinder heavy- duty diesel engine operation at 9.4 bar indicated mean effective pressure running on natural gas and diesel fuel in order to reduce the engine emissions and combustion noise through application of low temperature combustion with least or no engine power losses. To implement this optimization, the effects of three major factors on the engine performance are assessed by design of experiment- factorial experiment method while all other parameters are kept unchanged. The mathematical model of the RCCI combustion is identified directly by using an artificial neural network and the optimization process is conducted using two different optimization algorithms. For assessing and validating the obtained optimal results, the data are used to simulate the combustion as engine input factors. The results indicate that designed artificial neural network is effectively capable to approximate the combustion’s mathematical model. Also by optimization of the combustion through different optimization algorithms; the optimal range of engine operation is well estimated and developed.