مدل‌سازی و پیش‌بینی مصرف سوخت و آلایندگی در موتورهای دیزلی پاشش مستقیم با استفاده از شبکه‌ عصبی مصنوعی با اعمال پارامترهای کنترلیِ دور موتور،‌ جرم سوخت و دمای هوای ورودی

در پژوهش حاضر با استفاده از شبکۀ عصبی مصنوعی، مدل‌سازی و پیش‌بینی آلاینده‌های NOx، دوده و مصرف سوخت در یک موتور دیزلی پاشش مستقیم با اعمال متغیرهای کنترلیِ دور موتور،‌ دمای هوای ورودی به موتور و جرم سوخت پاشیده شده به محفظة احتراق انجام شده‌است. برای این منظور، با استفاده از آزمایشات تجربی انجام گرفته، مقدمات لازم برای مدل‌سازی و ارتباط بین پارامترهای ورودی و خروجی توسط شبکه عصبی فراهم گردید. شبکۀ عصبی مصنوعی با الگوریتم آموزشی لونبرگ-مارکوارت برای آموزش ارتباط موجود بین پارامترهای مذکور، طوری طراحی شده‌ که در آن مدل‌سازی متغیرهای خروجی به صورت کاملاً مستقل انجام می‌گیرد. یعنی برای هر خروجی مانند NOx، تعداد نرون‌های لایه پنهان و پارامترهای کنترلی شبکه کاملا متفاوت از همین پارامترها برای دوده یا مصرف سوخت خواهد بود. نتایج نشان می‌دهد شبکه عصبی طراحی شده، به ازای 36 نرون در لایه پنهان در دور 3733 به دقت 97/0 برای آزمایش داده ها در مدل‌سازی NOx می‌رسد. همچنین مدل‌سازی دوده با تعداد نرون‌های بیشتر و دقت 96/0 در دور 2081 انجام می‌شود. از طرفی میزان دقت آزمایش برای مدل شبکه‌ایِ مصرف سوخت به ازای 19 نرون در لایه پنهان در دور 3698 برابر 94/0 بوده که کاهش دقت مدل‌سازی آن، مربوط به پراکندگی ناموزون داده‌های تجربی در طیف وسیعی از دامنه مدل‌سازی می‌باشد. مدل پیشنهادی شبکه عصبی ، به دلیل همگرایی سریع و به تبع آن، زمان پاسخگویی کوتاه، می‌تواند به عنوان یک روش مؤثر در سیستم‌های کنترل هوشمند موتورهای دیزلی پاشش مستقیم برای کاهش آلاینده‌ها و مصرف سوخت، مورد استفاده قرار گیرد