دانشگاه سمنان

 آمار

تعداد نشریات21
تعداد شماره‌ها692
تعداد مقالات10,048
تعداد مشاهده مقاله71,052,331
تعداد دریافت فایل اصل مقاله62,503,941
Kharazmi, Shahaboddin, Talebi, Farhad, Shahabiniya, Mohammad Parsa, Majidi Majd, Maede, Kamalzadeh, Hadi, Saghafi, Reyhane. (1404). Experimental Performance Analysis and ANN Prediction of Emissions in EF7 Engines with Blended Fuels. هنرهای کاربردی, (), -. doi: 10.22075/jhmtr.2026.39336.1851
Shahaboddin Kharazmi; Farhad Talebi; Mohammad Parsa Shahabiniya; Maede Majidi Majd; Hadi Kamalzadeh; Reyhane Saghafi. "Experimental Performance Analysis and ANN Prediction of Emissions in EF7 Engines with Blended Fuels". هنرهای کاربردی, , , 1404, -. doi: 10.22075/jhmtr.2026.39336.1851
Kharazmi, Shahaboddin, Talebi, Farhad, Shahabiniya, Mohammad Parsa, Majidi Majd, Maede, Kamalzadeh, Hadi, Saghafi, Reyhane. (1404). 'Experimental Performance Analysis and ANN Prediction of Emissions in EF7 Engines with Blended Fuels', هنرهای کاربردی, (), pp. -. doi: 10.22075/jhmtr.2026.39336.1851
Kharazmi, Shahaboddin, Talebi, Farhad, Shahabiniya, Mohammad Parsa, Majidi Majd, Maede, Kamalzadeh, Hadi, Saghafi, Reyhane. Experimental Performance Analysis and ANN Prediction of Emissions in EF7 Engines with Blended Fuels. هنرهای کاربردی, 1404; (): -. doi: 10.22075/jhmtr.2026.39336.1851

Experimental Performance Analysis and ANN Prediction of Emissions in EF7 Engines with Blended Fuels

Journal of Heat and Mass Transfer Research
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 بهمن 1404
نوع مقاله: Full Length Research Article
شناسه دیجیتال (DOI): 10.22075/jhmtr.2026.39336.1851
نویسندگان
Shahaboddin Kharazmi* 1؛ Farhad Talebi1؛ Mohammad Parsa Shahabiniya2؛ Maede Majidi Majd3؛ Hadi Kamalzadeh4؛ Reyhane Saghafi2
1Assistant Professor, Faculty of Mechanical Engineering, Semnan University, Semnan, Iran
2Undergraduate Student, Faculty of Mathematics, Statistics, and Computer Science, Semnan University, Semnan, Iran
3MSc Student, Faculty of Mathematics, Statistics and Computer Science, Semnan University, Semnan, Iran
4MSc Student, Faculty of Mechanical Engineering, Semnan University, Semnan, Iran
تاریخ دریافت: 19 مهر 1404،  تاریخ بازنگری: 01 دی 1404،  تاریخ پذیرش: 05 بهمن 1404 
چکیده
The growing global demand for sustainable and high-efficiency energy sources has intensified research on alternative fuels for spark-ignition engines. This study experimentally investigates the performance and emission characteristics of the EF7 engine fueled with gasoline blends containing ethanol, methanol, and toluene at 5%, 10%, and 15% volumetric concentrations. An artificial neural network (ANN) model was concurrently developed to predict critical exhaust emissions including CO, CO₂, NOx, and HC based on engine operating parameters. Experiments were conducted at full load under constant speeds of 2000 and 3000 rpm, and the ANN model was trained and validated using the collected datasets. Results indicate that ethanol and methanol blends enhance brake power and torque up to a 10% blending ratio, primarily due to increased laminar flame speed, charge-cooling effects, and oxygen-enriched combustion chemistry. However, further increasing the alcohol fraction to 15% reduced engine output, attributed to the lower heating value and diminished volumetric energy density of the blends. Toluene addition provided stable power and torque across all blending ratios owing to its high octane number and knock resistance, though without notable performance gains. Emission analysis revealed that alcohol blends significantly decreased CO and HC emissions while slightly elevating CO₂ levels, confirming improved combustion efficiency. In contrast, toluene blends increased NOx and HC emissions, likely resulting from higher local combustion temperatures and incomplete aromatic oxidation. Overall, moderate alcohol blending (approximately 10%) achieved the optimal trade-off between engine performance and emission reduction. The integrated experimental–computational framework established in this study offers a robust methodology for optimizing blended fuels in spark-ignition engines.
کلیدواژه‌ها
Spark-ignition engine؛ Gasoline–alcohol blends؛ Toluene additive؛ emissions؛ Artificial neural networks (ANN)
عنوان مقاله [English]
تحلیل تجربی عملکرد و پیش‌بینی انتشار آلاینده‌ها در موتورهای EF7 با استفاده از سوخت‌های ترکیبی بر پایه شبکه عصبی مصنوعی
چکیده [English]
افزایش تقاضای جهانی برای منابع انرژی پایدار و با بازده بالا، پژوهش‌ها در زمینه سوخت‌های جایگزین برای موتورهای احتراق جرقه‌ای را تشدید کرده است. در این مطالعه، عملکرد و ویژگی‌های آلایندگی موتور EF7 که با ترکیبات بنزین حاوی اتانول، متانول و تولوئن در غلظت‌های حجمی ۵٪، ۱۰٪ و ۱۵٪ سوخت‌رسانی شده است، به‌صورت تجربی مورد بررسی قرار گرفته است. به طور هم‌زمان، یک مدل شبکه عصبی مصنوعی (ANN) برای پیش‌بینی آلاینده‌های خروجی اصلی شامل CO، CO₂، NOx و HC بر اساس پارامترهای عملیاتی موتور توسعه داده شد. آزمایش‌ها در شرایط بار کامل و در دو سرعت ثابت ۲۰۰۰ و ۳۰۰۰ دور بر دقیقه انجام گرفت و مدل شبکه عصبی با استفاده از داده‌های جمع‌آوری‌شده آموزش و اعتبارسنجی شد. نتایج نشان داد که افزودن اتانول و متانول تا نسبت اختلاط ۱۰٪ موجب افزایش توان ترمزی و گشتاور موتور می‌شود که این امر عمدتاً به دلیل افزایش سرعت شعله لایه‌ای، اثر سرمایش بار و شیمی احتراق غنی از اکسیژن است. با این حال، افزایش بیشتر سهم الکل تا ۱۵٪ منجر به کاهش توان خروجی موتور شد که علت آن، کاهش ارزش حرارتی و چگالی انرژی حجمی سوخت‌های ترکیبی است. افزودن تولوئن به‌دلیل عدد اکتان بالا و مقاومت زیاد در برابر کوبش، توان و گشتاور پایداری را در تمامی نسبت‌های اختلاط فراهم کرد، هرچند که بهبود قابل توجهی در عملکرد مشاهده نشد. تحلیل آلایندگی نشان داد که ترکیبات الکلی به‌طور چشمگیری موجب کاهش انتشار CO و HC شده و در عین حال مقدار CO₂ را اندکی افزایش داده‌اند، که بیانگر بهبود کارایی احتراق است. در مقابل، ترکیبات حاوی تولوئن باعث افزایش آلاینده‌های NOx و HC شدند که احتمالاً ناشی از دمای بالاتر موضعی احتراق و اکسیداسیون ناقص ترکیبات آروماتیکی است. در مجموع، اختلاط متوسط الکل (در حدود ۱۰٪) بهترین تعادل میان عملکرد موتور و کاهش آلاینده‌ها را فراهم نمود. چارچوب ترکیبی تجربی–محاسباتی ارائه‌شده در این پژوهش، رویکردی کارآمد و دقیق برای بهینه‌سازی سوخت‌های ترکیبی در موتورهای احتراق جرقه‌ای ارائه می‌دهد.
کلیدواژه‌ها [English]
موتور احتراق جرقه‌ای, ترکیبات بنزین–الکل, افزودنی تولوئن, آلاینده‌ها, شبکه‌های عصبی مصنوعی (ANN)
آمار
تعداد مشاهده مقاله: 124


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب