مدل‌سازی و بهینه‌سازی پارامترهای عملکردی موتور دیزل دوگانه‌سوز تحت اثر تغییرات زمان پاشش و درصد اختلاط سوخت به کمک شبکه عصبی مصنوعی و الگوریتم ژنتیک چندهدفه

نوع مقاله: مقاله مستقل

نویسندگان

1 کارشناسی ارشد، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

2 دانشیار،گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

3 استاد ،گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

4 مربی،گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

10.22044/jsfm.2020.9473.3137

چکیده

استفاده از سوخت‌های متنوع در موتورهای دیزل باعث شده تا این دسته از موتورها به‌صورت دوگانه‌سوز مورداستفاده قرار گیرند. کاهش آلایندگی و مصرف سوخت کمتر از ویژگی‌های موتور دیزل دوگانه‌سوزی است که از ترکیب گاز- دیزل بهره می‌گیرند. در این تحقیق سعی شد تا به کمک روش دینامیک سیالات محاسباتی اثر تغییرات زمان پاشش و درصد اختلاط سوخت در موتور دیزل دوگانه‌سوز OM355 EU2 در دو سرعت مختلف بررسی گردد. اثرات متقابل متغیرهای ورودی و عدم ارائه مدل یکنواخت برای پارامترهای عملکردی موتور موجب شد مدل‌سازی شبکه عصبی مصنوعی جهت مطالعه اثرات توأم متغیرهای زمان پاشش و درصد اختلاط سوخت‌ها استفاده شود. بهینه‌سازی به کمک الگوریتم ژنتیک چندهدفه نیز برای تعیین سطوح بهینه متغیرها بکار گرفته شد. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی RBF پیش‌بینی‌های قابل قبولی (RMSE = 0.01 و R2=0.99) از روند تغییرات خروجی‌ها داشته و به کمک سطح پاسخ شبکه عصبی محدوده بهینه کارکرد موتور در سرعت‌های مشخصه به دست آمد. همچنین قابلیت‌های بهینه‌سازی الگوریتم ژنتیک چندهدفه این امکان را فراهم می سازد تا در سرعت‌های مختلف سطوح بهینه‌ای از متغیرهای ورودی و خروجی به دست آید.

کلیدواژه‌ها


[1] Heywood JB (1988) Fundamentals of internal combustion engines. Tata McGraw Hills, New York.

[2] Subramanian KA (2017) Biofueled reciprocating internal combustion engines. CRC Press.

[3] Song J, Feng Z, Lv J, Zhang H (2020) Experimental study on combustion and performance of a natural gas-diesel dual-fuel engine at different pilot diesel injection timing. J Therm Sci Eng Appl 12(5): 1-24.

[4] Yuvenda D, Sudarmanta B, Wahjudi A, Da Silva J (2019) Characterization of engine performance, combustion process and emission of diesel/CNG dual fuel engines with pilot injection timing variation at low load. In IOP Conference Series: Materials Science and Engineering 588(1): 5-12. IOP Publishing.

[5] Sudarmanta B, Setiyawan A, Bachtiar KA, Yuvenda D, Da Silva J (2019) Effects of advancing the pilot injection timing on the engine performance, combustion and emissions on diesel dual fuel engine at high load. In IOP Conference Series: Materials Science and Engineering 588(1):12-20. IOP Publishing

[6] Papagiannakis RG, Krishnan SR, Rakopoulos DC, Srinivasan KK, Rakopoulos CD (2017) A combined experimental and theoretical study of diesel fuel injection timing and gaseous fuel/diesel mass ratio effects on the performance and emissions of natural gas-diesel HDDI engine operating at various loads. Fuel 202: 675-687.

[7] Zhang C, Zhou A, Shen Y, Li Y, Shi Q (2017) Effects of combustion duration characteristic on the brake thermal efficiency and NOx emission of a turbocharged diesel engine fueled with diesel-LNG dual-fuel. Appl Therm Eng 127: 312-318.

[8] Ismail MM, Zulkifli FH, Fawzi M, Osman SA (2016) Conversion method of a diesel engine to a CNG-diesel dual fuel engine and its financial savings. ARPN J Eng Appl Sci 11(8): 5078-5083.

]9[ تقی زاده ع، جهانیان ا، پورموسوی کانی س ا (1398) بررسی عددی اثرات ترکیب سوخت متان و هپتان نرمال بر عملکرد یک موتور اشتعال تراکمی با واکنش‌پذیری کنترل شده. سوخت و احتراق 31-15:(4)12.

]10[ یاری دریامان م، کوششی ن، صابری مهر ع (1398) تاثیر ترکیب گاز سنتزی تولید شده به روش گازسازی زیست توده بر عملکرد و آلاینده-های یک موتور اشتعال تراکمی کنترل واکنشی دیزل-گاز سنتزی. سوخت و احتراق 95-77 :(4)12.

[11] Shi Y, Ge HW, Reitz RD (2011) Computational optimization of internal combustion engines. Springer Science & Business Media.

[12] Alonso JM, Alvarruiz F, Desantes JM, Hernández L, Hernández V, Molto G (2007) Combining neural networks and genetic algorithms to predict and reduce diesel engine emissions. IEEE T Evolut Comput 11(1): 46-55.

[13] Jahirul MI, Saidur R, Masjuki HH, Kalam MA, Rashid MM (2009) Application of artificial neural networks (ANN) for prediction the performance of a dual fuel internal combustion engine. HKIE Transactions 16(1): 14-20.

[14] Kumar NS, Shrinivasarao BR, Pai PS (2016) Radial basis function neural network (RBFNN) based modeling in liquified petroleum gas (LPG)-diesel dual fuel engine with exhaust gas recirculation (EGR). Ind J Sci Technol 9.

[15] Pourkhesalian AM, Shamekhi AH, Salimi F (2010) NOx control using variable exhaust valve timing and duration (No. 2010-01-1204). SAE Technical Paper.

[16] Kakaee AH, Rahnama P, Paykani A, Mashadi B (2015) Combining artificial neural network and multi-objective optimization to reduce a heavy-duty diesel engine emissions and fuel consumption. J Cent South Univ 22(11): 4235-4245.

[17] Taghavifar H, Taghavifar H, Mardani A, Mohebbi A, Khalilarya S, Jafarmadar S (2016) Appraisal of artificial neural networks to the emission analysis and prediction of CO2, soot, and NOx of n-heptane fueled engine. J Clean Prod 112: 1729-1739.

[18] Zareei J, Rohani A (2020) Optimization and study of performance parameters in an engine fueled with hydrogen. Int J Hydrogen Energ 45(1): 322-336.

[19] Liu J, Ma B, Zhao H (2020) Combustion parameters optimization of a diesel/natural gas dual fuel engine using genetic algorithm. Fuel 260: 116365: 1-11.

[20] Azad AK, Halder P, Nanthagopal K, Ashok B (2019) Investigation of diesel engine in cylinder flow phenomena using CFD cold flow simulation. In Advanced Biofuels 329-336. Woodhead Publishing.

[21] Tripathy S, Sahoo S, Srivastava DK (2019) Development of an artificial neural network model for the performance prediction of a variable compression ratio gasoline spark ignition engine. In Internal Combustion Engine Division Fall Technical Conference Vol. 59346: p. V001T07A002). American Society of Mechanical Engineers.

[22] Ranade R, Alqahtani S, Farooq A, Echekki T (2019) An ANN based hybrid chemistry framework for complex fuels. Fuel 241: 625-636.

[23] Petrucci L, Ricci F, Mariani F, Grimaldi CN, Discepoli G, Violi M, Matteazzi N (2019) Performance analysis of artificial neural networks for control in internal combustion engines. In AIP Conference Proceedings 2191(1): 020129 .AIP Publishing LLC.

[24] Pirouzpanah V, Kashani BO (2000) Prediction of major pollutants emission in direct injection dual-fuel diesel and natural-gas engines. International Journal of Engineering 13(2): 55-68.

[25] Ghafouri J, Doustdar MM, Pirouzpanah V (2011) Numerical simulation of a DI diesel engine in full and in partial loads. KIVA 2: 1.

[26] Smith GP, Golden DM, Frenklach M, Moriarty NW, Eiteneer B, Goldenberg M, Lissianski VV (1999) GRI-Mech version 3.0. http://combustion. berkeley. edu/gri-mech/index. html.

[27] Fluent, ANSYS. (2011) User Guide, Ansys. Inc., Lebanon, US, 2385-2394.

[28] Fire A (2011) User’s guide-version 2011.0. AVL LIST GmbH.

[29] Van Basshuysen R, Schäfer F (2004) Internal combustion engine handbook-basics, components. systems and perspectives 345.

[30] Villanueva JB, Espadafor FJ, Cruz-Peragon F, García MT (2011) A methodology for cracks identification in large crankshafts. Mech Syst Signal Pr 25(8): 3168-3185.

[31] Vogl TP, Mangis JK, Rigler AK, Zink WT, Alkon DL (1988) Accelerating the convergence of the back-propagation method. Biol Cybern 59(4-5): 257-263.

[32] Noor CM, Mamat R, Najafi G, Nik WW, Fadhil M (2015) Application of artificial neural network for prediction of marine diesel engine performance. In IOP Conference Series: Materials Science and Engineering 100(1): 12-23. IOP Publishing.

[33] Ringuest JL (2012) Multiobjective optimization: Behavioral and computational considerations. Springer Science & Business Media.

[34] Shukri MR, Rahman MM, Ramasamy D, Kadirgama K (2015) Artificial neural network optimization modeling on engine performance of diesel engine using biodiesel fuel. Int J Automot Mech 11: 23-32.

[35] Benajes J, García A, Monsalve-Serrano J, Boronat V (2017) Dual-fuel combustion for future clean and efficient compression ignition engines. Appl Sci 7(1): 36-52.