پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 675 |
| تعداد مقالات | 9,837 |
| تعداد مشاهده مقاله | 69,889,604 |
| تعداد دریافت فایل اصل مقاله | 49,213,642 |
پیشبینی میزان آلایندههای خروجی از یک موتور احتراق تراکمی دوگانهسوز با استفاده از شبکه عصبی کانولوشنی عمیق | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 آذر 1404 | ||
| نوع مقاله: مقاله کامپیوتر | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.36595.2792 | ||
| نویسندگان | ||
| فرناز حسینی* 1؛ یاسر نیکنام2 | ||
| 1گروه مهندسی کامپیوتر، دانشگاه ملی مهارت، تهران، ایران | ||
| 2گروه مهندسی مکانیک، دانشگاه ملی مهارت، تهران، ایران | ||
| تاریخ دریافت: 28 دی 1403، تاریخ بازنگری: 04 تیر 1404، تاریخ پذیرش: 04 آذر 1404 | ||
| چکیده | ||
| یکی از رویکردهای نوین و کارآمد در کاهش آلایندگی موتورهای دیزلی، بهرهگیری از فناوری احتراق دوگانهسوز (دیزل–گاز طبیعی فشرده، CNG) است. در این پژوهش، یک موتور احتراق تراکمی مدل MT440C با اصلاحات ساختاری بهصورت دوگانهسوز طراحی و پیادهسازی گردید تا عملکرد حرارتی و زیستمحیطی آن مورد ارزیابی قرار گیرد. هدف اصلی مطالعه، تحلیل رفتار احتراقی و بررسی دقیق الگوی انتشار آلایندههای خروجی، بهویژه اکسیدهای نیتروژن (NOx)، در پنج سرعت عملکردی (1200، 1400، 1600، 1800 و 2000 دور بر دقیقه) تحت شرایط پایدار عملیاتی است. جهت پیشبینی دقیق و بلادرنگ میزان NOx، یک معماری نوآورانه یادگیری عمیق مبتنی بر شبکه عصبی کانولوشنی عمیق (DCNN) توسعه داده شد. این مدل، ضمن استخراج ویژگیهای پیچیده از دادههای چندبُعدی و سریزمانی، قادر به مدلسازی دقیق روابط دینامیکی در فرآیند احتراق ترکیبی است. نتایج تجربی حاصل از پیادهسازی مدل پیشنهادی حاکی از دقت پیشبینی بسیار بالا با ضریب تعیین R2 معادل 0.997 و خطای RMSE معادل 21.70 است که بهطور معناداری از تمامی مدلهای مقایسهای موجود در ادبیات پیشین دقیقتر عمل کرده است. کارایی بالای مدل پیشنهادی، نهتنها در کاهش پیچیدگی محاسباتی بلکه در افزایش دقت پیشبینی و تعمیمپذیری آن، پتانسیل بالای این روش را برای استقرار در سامانههای کنترل هوشمند بلادرنگ در موتورهای احتراق داخلی دوگانهسوز بهوضوح نمایان میسازد. | ||
| کلیدواژهها | ||
| شبکه عصبی کانولوشنی عمیق؛ DCNN؛ موتور احتراق تراکم؛ اکسید نیتروژن؛ موتور دوگانه سوز | ||
| عنوان مقاله [English] | ||
| Prediction of Emissions from a Dual-Fuel Compression Ignition Engine Using a Deep Convolutional Neural Network | ||
| نویسندگان [English] | ||
| Farnaz Hoseini1؛ Yasser Niknam2 | ||
| 1Department of Computer Engineering, Technical and Vocational University (TVU), Tehran, Iran | ||
| 2Department of Mechanical Engineering, Technical and Vocational University (TVU), Tehran, Iran | ||
| چکیده [English] | ||
| One of the promising approaches to reducing pollutant emissions in diesel engines is the application of dual-fuel combustion using compressed natural gas (CNG) alongside diesel fuel. In this study, a conventional compression ignition (CI) engine (MT440C model) was structurally modified to operate under a dual-fuel mode without the need for a spark-ignition system. The primary objective is to investigate the feasibility of using CNG in CI engines and to compare key operational and emission characteristics—including engine power output and exhaust emissions—under different engine speeds (1200, 1400, 1600, 1800, and 2000 rpm). To enable accurate and real-time prediction of nitrogen oxides (NOx) emissions, a novel deep convolutional neural network (DCNN) architecture was proposed. The model is designed to extract high-dimensional temporal-spatial features from the multi-variable time-series dataset and model complex nonlinear dependencies in dual-fuel combustion. Experimental results demonstrate superior predictive performance, achieving a root mean square error (RMSE) of 21.70 and a coefficient of determination (R²) of 0.997, significantly outperforming existing baseline models in the literature. The outstanding accuracy and robustness of the proposed DCNN model underscore its applicability for integration into real-time smart engine control systems aimed at optimizing emissions in hybrid combustion platforms. | ||
| کلیدواژهها [English] | ||
| Convolutional Neural Network, DCNN, Compression Ignition Engine, Nitrogen Oxide, Dual-Fuel Engine | ||
|
آمار تعداد مشاهده مقاله: 47 |
||