تحلیل و ارزیابی موتور‌های دیزلی تزریق مستقیم به‌منظور بهینه‌سازی عملکرد و آلاینده‌ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار دانشکده مهندسی مکانیک، دانشگاه علوم دریایی امام خمینی (ره)

2 کارشناسی ارشد هیدرومکانیک، دانشگاه علوم دریایی امام خمینی(ره)

چکیده

در مقاله حاضر،بهینه‌سازیهم‌زمان مصرف سوخت و آلاینده‌های NOxو soot در یک موتور دیزلیتزریق مستقیم، با اعمال پارامترهای کنترلیِدمای هوای ورودی، جرم سوخت تزریق شده و دور موتور، با استفاده از ترکیب شبکه عصبی و الگوریتم مورچگان انجام شده است.با توجه به غیرخطی و پیچیده بودن رفتار موتورهای احتراق داخلی، ابتدا، با استفاده از آزمایشات تجربی انجام گرفته،ارتباط بین پارامترهایورودیو خروجی توسط شبکه عصبی فراهم گردید. شبکۀ عصبی مصنوعی با الگوریتم آموزشی لونبرگ- مارگوارت برای مدل‌سازی و آموزش ارتباط موجود بین پارامترهای مذکور، استفاده شده و به عنوان یک روش پیشگو درالگوریتم مورچگان، برای یافتن مقادیر بهینه، به‌ صورت یک زیرروال به‌کار رفته است.نتایجنشان می‌دهدکهبه ازاییک دور خاص در موتور، پارامترهای بهینه شده به سمت دماهای پایین‌تر کشیده می‌شود و این به دلیل کاهش مقادیر آلاینده‌هایNOxو soot با پایین آمدن دمای هوای ورودی به موتور است. از طرفی بهبود کیفیت مقادیرNOx تولید شده، به دلیل وزن بالای آن در تابع هدف بر نتیجة کلی بهینه سازی اثر گذاشته و رفتار تابع هدف از لحاظ همگرایی بسیار شبیه رفتار NOxمی‌باشد. همچنینروش ترکیبی شبکه عصبی - الگوریتم مورچگان به دلیل همگرایی سریعو به تبع آن، زمان پاسخگویی کوتاه، می‌تواند به عنوان یک روش مؤثردر سیستم‌های کنترل هوشمند موتورهای دیزلی برای کاهش آلاینده‌ها و میزان مصرف سوخت، مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Analysis and evaluation of direct injection diesel engines to optimize performance and emissions

نویسندگان [English]

  • A Zarenezhad Ashkezari 1
  • S Majdfar 2
  • H Mohammadi 2
1 Noshahr Imam Khomeini Marine Science University
2 Imam Khomeini Marine sciences University
چکیده [English]

In this paper, optimization of fuel consumption and NOx and soot emissions in a direct diesel engine is done using neural network and ant algorithm by applying the parameters of inlet air temperature, rate of fuel injection mass and engine speed. Complexity of the behavior of internal combustion engines was first determined by using experimental experiments to establish the relationship between the input and output parameters by the neural network. The artificial neural network with the Levenberg-Marguerite training algorithm is used to model and train the existing relationship between the above parameters and is used as a subroutine for predicting optimal values in the ant colony algorithm. Results show the engine optimized parameters are drawn to lower temperatures due to lower NOx and soot emissions by lowering the inlet air temperature. Also the results of modeling and prediction performed by neural network show 98% and 94% concordance with the experimental data in emissions and fuel consumption, respectively.
On the other hand, improving the quality of NOx values, because of its high weight in the objective function, affects the overall optimization result and the behavior of the objective function in convergence is very similar to NOx behavior. Also, combination of neural network-Ant algorithm approach due to its fast convergence and consequently short response time can be used as an effective method of diesel engine intelligent control systems to reduce emissions and fuel consumption.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Direct injection diesel engine
  • Soot
  • NOx
[1] Heywood, J. B., “Internal Combustion Engine Fundamentals”, McGraw-Hill, 1988.

[2] Desantes, J. M., Benajes, J., Molina, S., and Gonzalez, C.A., “The Modification of Fuel Injection Rate in Heavy-Duty Diesel Engines. Part 1: Effects on Engine Performance and Emissions”, Applied Thermal Engineering. Vol.24, No.17, pp.2701-2714, 2004.

[3] Parlak, A., Islamoglu, Y., Yasar, H., and Egrisogut, A., “Application of Artificial Neural Network to Predict Specific Fuel Consumption and Exhaust Temperature for a Diesel Engine”, Applied Thermal Engineering. Vol.26, pp.824-828, 2006.

[4] Cay, Y., Cicek, A., Kara, F., and Sagiroglu, S., “Prediction of Engine Performance for an Alternative Fuel using Artificial Neural Network”, Applied Thermal Engineering. Vol.37, pp.217-225, 2012.

[5] Ramadhas, A. S., Jayaraj, S., Muraleedharan, C., and Padmakumari, K., “Artificial Neural Networks used for the Prediction of the Cetane Number of Biodiesel”, Renewable Energy. Vol.31, No.15, pp.2524-2533, 2006.

[6] Ghobadian, B., Rahimi, H., Nikbakht, A. M., Najafi, G., and Yusaf, T. F., “Diesel Engine Performance and Exhaust Emission Analysis using Waste Cooking Biodiesel Fuel with an Artificial Neural Network”, Renewable Energy. Vol.34, pp.976-982, 2009.

[7] Abassi, A., Khalilarya, S., and Jafarmadar, S., “The Influence of Injection System Characteristics on the First- and Second-Law Terms in High-Speed DI Diesel Engines with Swirl Combustion Chamber”, International Journal of Exergy, Vol.7, No.4, 2010.

[8] Togun, N. K., and Baysec, S. “Prediction of Torque and Specific Fuel Consumption of a Gasoline Engine by Using Artificial Neural Networks”, Applied Energy. Vol.87, pp.349-355, 2010.

[9] Zheng, L., Zhou, H., Wang, C., “Combining Support Vector Regression and Ant-Colony Optimization to Reduce NOx Emissions in Ccoal-Fired Utility”, Boilers. Vol.22, pp.1034-1040, 2008.

[10] Arumugam, S., Sriram, G., Shankara Subramanian, P. R., “Application of Artificial Intelligence to Pridict the Performance and Exhaust Emissions of Diesel Engine using Rapeseed Oil Methyl ester”, Procedia Engineering. Vol.38, pp.853-860, 2012.

[11] Hiroyasu, T., Mikim, M., Kamiura, J., and Watanabe, S. “Multi-Objective Optimization of Diesel Engine Emissions and Fuel Economy using Genetic Algorithms and Phenomenological Model”, SAE Paer. 02FFL-183, 2002.

[12] De Risi, A., Donateo, T., and Laforgia, D. “Optimization of the Combustion Chamber of Direct Injection Diesel Engines”, SAE paer. 2003-01-1064, 2003.

[13] Kesgin, U. “Genetic Algorithm and Artificial Neural Network for Engine Optimization of Efficiency and NOx Emission”, Fuel. Vol. 83, pp.885-895, 2004.

[14] Prucka, R. G., Wu, B., Filipi, Z.S., Kramer, D.M., and Ohl, G.L., “Cam-Phasing Optimization using Artificial Nural Network Surrogate Models-Maximazing Torque Output, SAE Paper, 2005-01-3757, 2005.

[15] Abassi, A., Khalilarya, S., and Jafarmadar, S. “The Influence of Injection System Characteristics on the First- and Second-Law Terms in High-Speed DI Diesel Engines with Swirl Combustion Chamber”, International Journal of Energy, Vol.7, No.4, 2010.

[16] Atashkari, K., Nariman-Zadeh, N., Golcu, M., Khalkhali, A., and Jamali, A. “Modelling and Multi-Objective Optimization of a Variable Valve-Timing Spark-Ignition Engine using Polynomial Neural Networks and Evolutionary Algorithms”, Energy Conversion and Management, Vol.48, pp.1029-1041, 2007.

[17] Park, S. “Optimization of Combustion Chamber Geometry and Engine Operating Conditions for Compression Ignition Engines Fueled with Dimethyl Ether”, Fuel, Vol.97, pp.61-71. 2012.

[18] Bhaskor, J. Bora., and Ujjwal, K. Saha. “Optimisation of Injection Timing and Compression Ratio of a Raw Biogas Powered Dual Fuel Diesel Engine”, Applied Thermal Engineering, Vol.92, pp.111-121, 2016.

[19]Mohammadhassani J, Dadvand A, Khalilarya S, Solimanpur M., “Prediction and Reduction of Diesel Engine Emissions using a Combined ANN–ACO Method”, Applied Soft Comput, Vol.34, pp.139-150. 2015.

[20] Dorigo, Stutzel, “Ant Colony Optimization”, MIT press, 1st edition, 2004.