بهینه‌سازی مصرف سوخت و آلاینده‌ها در موتورهای دیزلی با استفاده از شبکه عصبی و قاعده مورچگان با رویکرد زمان متغیر دریچه ورودی و سامانه پاشش سوخت

نویسندگان

دانشگاه سستان و بلوچستان

چکیده

در این مقاله با استفاده از نتایج آزمایشگاهی و شبیه‌سازی عددی صورت گرفته توسط نرم افزار فایر، مدل‌سازی آلاینده‌ها و همچنین میزان مصرف سوخت در یک موتور دیزل پاشش مستقیم با استفاده از شبکه عصبی انجام گرفته که ورودی مدل‌سازی، دمای هوای ورودی، جرم سوخت تزریق‌شده، تایمینگ تزریق سوخت، طول مدت تزریق، دور موتور و تایمینگ بسته‌شدن سوپاپ ورودی می‌باشد. سپس بر اساس مدل‌های بدست آمده برای خروجی‌های فوق، با استفاده از الگوریتم بهینه‌سازی مورچگان به بهینه‌سازی کمترین مقدار آلاینده‌ها و همچنین کمترین میزان مصرف سوخت پرداخته شده است. برای این منظور، با استفاده از آزمایشات تجربی و همچنین شبیه‌سازی صورت گرفته، مقدمات لازم برای مدلسازی پارامترهای عملکردی و خروجی توسط شبکه عصبی فراهم شده است. شبکه عصبی مصنوعی با الگوریتم آموزشی لونبرگ- مارگوارت برای مدلسازی و آموزش ارتباط موجود بین پارامترهای مذکور با بهره‌گیری از داده‌های موجود، استفاده شده و به عنوان یک روش پیشگو در الگوریتم مورچگان برای یافتن مقادیر بهینه به صورت یک زیرروال بکار رفته و متغیر‌های طراحی که باعث بهینه‌سازی توابع هدف می شوند، بدست آمده است. نتایج بررسی‌ها، حاکی از همگرایی سریع و زمان پاسخگویی کوتاه الگوریتم مورچگان و بهینه‌سازی خوب پارامترهای کنترلی در مقایسه با دیگر الگوریتم‌های فراابتکاری است. همچنین روش ترکیبی شبکه عصبی-الگوریتم مورچگان به دلیل همگرایی سریع و بهینه‌سازی قابل توجه پارامترهای خروجی، می‌تواند به عنوان یک روش مؤثر در سیستم‌های کنترل هوشمند موتورهای دیزل برای کاهش آلاینده‌ها و مصرف سوخت مورد استفاده قرار گیرد.

کلیدواژه‌ها


عنوان مقاله [English]

Optimization of fuel consumption and emissions in diesel engines by using of artificial neural network and ant colony algorithm with intake VVT and fuel injection approach

نویسندگان [English]

  • Abbas Zarenejad Ashkezari
  • Alireza Hossein Nezhad
  • Said Farahat
چکیده [English]

In this paper, by using of the experimental results and numerical simulation with AVL FIRE software and using of artificial neural network, NOx and soot emissions and fuel consumption of a diesel engine was modeled, that input variables of modeling are, air intake temperature, mass fuel injected, fuel injection timing, injection duration, engine speed and IVC timing. Then by using of ant colony optimization algorithm and based on the obtained models for outputs, values of NOx and soot emissions and fuel consumption has been optimized. For this purpose, by using of experimental data and numerical simulation, the arranging for modeling of performance and output was provided by the ANN.

Artificial neural network with Levenberg-Marquardt training algorithm and using of the experimental and numerical data was applied for modeling and training of relationship between these parameters and this method was applied as a predictive method of ant colony algorithm to find the optimal values and used as a subroutine. Then the design variables that optimized the objective functions were obtained. The results show a fast convergence and good response times and optimizing the control parameters of the ant colony algorithm compared with other metaheuristic algorithms. Due to the rapid and significant convergence of output parameters, combination of artificial neural network (ANN) and ant colony optimization (ACO) can be used as an effective method in intelligent control systems for diesel engines to reduce emissions and fuel consumption.

کلیدواژه‌ها [English]

  • Optimization
  • ANN
  • ant colony algorithm
  • NOx
  • Soot