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 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 | ||
| 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 | ||
|
آمار تعداد مشاهده مقاله: 493 |
||
| تعداد نشریات | 22 |
| تعداد شمارهها | 722 |
| تعداد مقالات | 10,383 |
| تعداد مشاهده مقاله | 72,841,068 |
| تعداد دریافت فایل اصل مقاله | 64,538,078 |