مدل سازي اثر نانولوله هاي كربن اضافه شده به مخلوط سوخت ديزل-بيوديزل بر عملكرد و آلايندگي يك موتور ديزل با استفاده از شبكه عصبي

Modeling the effects of Carbon nanotubes added to diesel-biodiesel fuel blends on performance and emissions of a diesel engine using artificial neural network

بيوديزل و همچنين برخي نانوكاتاليست ها به عنوان افزودني به سوخت ديزل مي تواند باعث بهبود عملكرد و كاهش آلاينده-هاي موتور شود. در تحقيق حاضر، بيوديزل با نسبت 5 و 10 درصد ( B5 و B10) در مخلوط با سوخت ديزل استفاده شد. سپس نانولوله هاي كربن با غلظت 30، 60 و ppm90 به مخلوط سوخت براي ارزيابي عملكرد، آلايندگي و ارتعاش موتور ديزل استفاده گرديد. از شبكه عصبي چندلايه با قاعده يادگيري پس انتشار خطا رو به جلو براي مدل سازي استفاده گرديد. نوع سوخت، دور موتور، چگالي، ويسكوزيته و ارزش حرارتي سوخت، فشار مانيفولد ورودي، مصرف سوخت، دماي گازهاي خروجي، اكسيژن موجود در گازهاي خروجي، دماي روغن، رطوبت و فشار نسبي هواي محيط به عنوان پارامترهاي لايه ورودي يا مستقل در نظر گرفته شدند. عملكرد، آلايندگي و ارتعاش موتور به عنوان پارامترهاي لايه خروجي درنظر گرفته شدند. نتايج نشان داد كه مصرف سوخت ويژه موتور و آلايندگي هاي CO و UHC كاهش يافته، در حالي كه آلاينده NOx افزايشي بوده است. همچنين، مدل شبكه عصبي با الگوي آموزش پس انتشار خطا با 20-20 نرون در لايه هاي مخفي سيگموئيدي-سيگموئيدي توانايي پيش بيني پارامترهاي مختلف را با عملكرد و دقت خوبي دارد. مقادير عددي ضريب رگرسيوني (R) آموزش، ارزيابي و آزمون مدل بهينه شبكه به ترتيب 0/9999، 0/9985 و 0/9994 به دست آمد.

Biodiesel and some nano-catalysts are an important additive to diesel fuel and can improve the engine performance and reduce emissions. In this study, biodiesel was added to pure diesel with ratios of 5 and 10 percent. Then, the carbon nanotubes were mixed as additive with these blends with concentrations of 30, 60, and 90 ppm to evaluate the performance, emissions, and vibration levels in a diesel engine. An ANN model, based on standard back-propagation learning algorithm for the engine, was developed. Multi-layer perception network (MLP) was used. The input or independent parameters were fuel blend, engine speed, fuel density, fuel viscosity, LHV, intake manifold pressure, fuel consumption, exhaust gas temperature, oxygen contained in exhaust gases, oil temperature, relative humidity and ambient air pressure. The target parameters were performance, emissions and RMS and Kurtosis of engine vibrations. The results showed that the specific fuel consumption and CO and UHC emissions decreased, while NOx emission increased. Also, the ANN model showed the training algorithm of back-propagation with 20-20 neurons in hidden layers (logsig-logsig) is able to predict different parameters with good performance and accuracy. The corresponding R-values for training, validation and testing were 0.9999, 0.9985 and 0.9994, respectively.