عنوان

ارائه روشی هوشمند برای بهینه سازی چند هدفه پارامترهای عملکردی و آلایندگی موتور دیزل

Number

پ۲۸۹۰۴

.Language of Text, Soundtrack etc

per

Title Proper

ارائه روشی هوشمند برای بهینه سازی چند هدفه پارامترهای عملکردی و آلایندگی موتور دیزل

First Statement of Responsibility

علیرضا اسلامی

Name of Publisher, Distributor, etc.

فنی ومهندسی

Date of Publication, Distribution, etc.

۱۴۰۱

Specific Material Designation and Extent of Item

۳۱۵ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

سیستم محرکه خودرو

Date of degree

۱۴۰۱/۰۶/۳۰

Text of Note

هموارﻩ ﻣﻮﺗﻮرهاي دﯾﺰﻟﯽ ﺑﻪ دﻟﯿﻞ ﻣﺼﺮف ﺳﻮﺧﺖ ﮐﻤﺘﺮ، دوام و ﮐﺎرﺑﺮي ﻣﺘﻨﻮع آﻧﻬﺎ ﻧﺴﺒﺖ ﺑﻪ اﻧﻮاع ﻣﻮﺗﻮرهاي دﯾﮕﺮ، ﺑﻪ ﻋﻨﻮان ﻣﻨﺒﻊ ﺗﻮﻟﯿﺪ ﻗﺪرت، ﻣﻮرد ﺗﻮﺟﻪ ﺳﺎزﻧﺪﮔﺎن ﺑﻮدﻩ اﺳﺖ. در ﮐﻨﺎر اﺳﺘﻔﺎدﻩ روزاﻓﺰون اﯾﻦ ﻧﻮع ﻣﻮﺗﻮرها، ﺳﺨﺘﮕﯿﺮاﻧﻪ ﺗﺮ ﺷﺪن اﺳﺘﺎﻧﺪاردهاي آﻻﯾﻨﺪﮔﯽ ﺑﻪ دﻟﯿﻞ ﻧﮕﺮاﻧﯽ هاي زﯾﺴﺖ ﻣﺤﯿﻄﯽ، ﻣﺤﻘﻘﺎن اﯾﻦ ﻋﺮﺻﻪ را ﺑﻪ ﺑﺮداﺷﺘﻦ ﮔﺎم اﺳﺎﺳﯽ در ﺑﻬﯿﻨﻪ ﮐﺮدن ﻓﺮآﯾﻨﺪهاي اﺣﺘﺮاق ﺑﺮاي ﮐﺎهش ﻣﺼﺮف ﺳﻮﺧﺖ، آﻻﯾﻨﺪﮔﯽ و ﺑﻬﺒﻮد ﻋﻤﻠﮑﺮد ﻣﻮﺗﻮر واداﺷﺘﻪ اﺳﺖ. اﻏﻠﺐ ﻣﻄﺎﻟﻌﺎﺗﯽ ﮐﻪ از روش های ﻣﺪل ﺳﺎزي در ﻣﻮﺗﻮر دﯾﺰل اﺳﺘﻔﺎدﻩ ﻧﻤﻮدﻩ اﻧﺪ، ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺸﮕﺎهی را ﺑﻪ ﻋﻨﻮان ﻣﺘﻐﯿﺮهاي ورودي در ﻧﻈﺮ ﮔﺮﻓﺘﻪ اﻧﺪ. هزﯾﻨﻪ زاﯾﯽ، ﺻﺮف وﻗﺖ زﯾﺎد، ﺑﻪ ﮐﺎر ﺑﺮدن ﻣﺪﻟﻬﺎی رﯾﺎﺿﯽ و ﺗﮑﺮار آزﻣﺎﯾﺶ ها ﺟﻬﺖ ﮐﺎﻟﯿﺒﺮاﺳﯿﻮن ﯾﮑﺎﯾﮏ پارامترها باعث شده ﺗﺎ روش هاي ﻣﻄﺎﻟﻌﻪ آزﻣﺎﯾﺸﮕﺎهی در ﻣﻮﺗﻮر دﯾﺰل ﻃﺎﻗﺖ ﻓﺮﺳﺎ ﺷﻮد؛ ﺑﻨﺎﺑﺮاﯾﻦ از ﯾﻚ ﻣﺪل رﯾﺎﺿﻲ ﺑﺮاي ﭘﯿﺶﺑﯿﻨﻲ و ﻋﻤﻠﮑﺮد آﻻﯾﻨﺪﻩ هاي ﻣﻮﺗﻮر اﺳﺘﻔﺎدﻩ ﻣﻲﺷﻮد اﻣﺎ ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪﻩ همواره رﺿﺎﯾﺖ ﺑﺨﺶ ﻧﺒﻮدﻩ اﺳﺖ. ﯾﻚ ﺟﺎﯾﮕزﯾﻦ ﺑﺮاي ﻣﺪل ﺳﺎزی رﯾﺎﺿﻲ اﺳﺘﻔﺎدﻩ از ﺷﺒﮑﻪهاي ﻋﺼﺒﻲ ﻣﺼﻨﻮﻋﻲ ﻣﻲﺑﺎﺷﺪ. ﺷﺒﮑﻪهاي ﻋﺼﺒﻲ اﻟﮕﻮرﯾﺘﻢهاي ﮐﺎﻣﭙﯿﻮﺗﺮي ﻏﯿﺮ ﺧﻄﻲ هستند ﮐﻪ ﻣﻲ ﺗﻮاﻧﻨﺪ رﻓﺘﺎر ﻓﺮاﯾﻨﺪهاي ﭘﯿﭽﯿﺪﻩ ﻣﻬﻨﺪﺳﯽ را ﻣﺪل ﮐﻨﻨﺪ. در ﺗﺤﻘﯿﻖ ﺣﺎﺿﺮ ﺷﺒﯿﻪ ﺳﺎزی ﻣﺤﻔﻈﻪ اﺣﺘﺮاق ﯾﮏ ﻣﻮﺗﻮر دﯾﺰل ﺑﺎ اﺳﺘﻔﺎدﻩ از ﻣﺠﻤﻮﻋﻪ ﻧﺮم اﻓﺰاری ای وی ال ﻓﺎﯾﺮ اﻧﺠﺎم ﮔﺮﻓﺘﻪ و ﻧﺘﺎﯾﺞ ﺷﺒﯿﻪ ﺳﺎزی ﺗﻮﺳﻂ دادﻩ های ﺗﺠﺮﺑﯽ ﺣﺎﺻﻞ از ﺗﺴﺖ ﻣﻮﺗﻮر اﻋﺘﺒﺎرﺳﻨﺠﯽ شده است. داده های خروجی از نرم افزار فایر شامل آلاینده های تولیدی از موتور (Soot, NO, CO) پارامترهای توانی (Indicated Power, IMEP) و مصرف سوخت ویژه ترمزی (BSFC) بوده که برای فرآیند مدلسازی به کار گرفته شده اند. در ﮔﺎم ﺑﻌﺪی ﻣﺪﻟﺴﺎزی دادﻩ های ﻋﻤﻠﮑﺮدی-آﻻﯾﻨﺪﮔﯽ ﻣﻮﺗﻮر، ﺗﻮﺳﻂ دو ﻣﺘﺪوﻟﻮژی ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﻣﺼﻨﻮﻋﯽ ﺗﺮﮐﯿﺒﯽ و برنامه نویسی ژنتیک اﻧﺠﺎم ﮔﺮﻓﺘﻪ و ﻧﺘﺎﯾﺞ ﺑﺪﺳﺖ آﻣﺪﻩ، ﺑﻪ ﺟﻬﺖ ﻣﻘﺎﯾﺴﻪ و اﻧﺘﺨﺎب ﻣﺪل اﺻﻠﺢ، ﺑﺎ ﺳﺎﺧﺘﺎر ﺷﺒﮑﻪ ﻋﺼﺒﯽ ﭘﺮﮐﺎرﺑﺮد ﭘﺮﺳﭙﺘﺮون ﭼﻨﺪﻻﯾﻪ ﺑﺮﺣﺴﺐ ﻣﻘﺎدﯾﺮ ﻣﻄﻠﻮب ﺷﺎﺧﺺ های آﻣﺎری- رﯾﺎﺿﯽ ﻣﺘﻌﺪد، ﺑﺮرﺳﯽ و ﻣﻘﺎﯾﺴﻪ شده است.ورودی های شبکه شامل پارامترهای Speed (N), Injection Angle (IA), Bowl middle diameter (Dm), In cylinder Temperature (IT), In cylinder Pressure (IP), Intake Air Pressure (IAP), Rail Pressure (RP), Fuel Injection Quantity (FI), Inner Bowl Diameter (Di), Air Flow (AF) بوده و هم به عنوان متغیرهای تصمیم گیری در بهینه سازی چندهدفه در نظر گرفته شده اند و توابع هدف بر حسب خروجی های شبکه عصبی شامل پارامترهای BMEP, BSFC, BTHE, CO, HC, NOx, Power, Soot می باشد که سه مورد NOx، BSFC و BMEP در این مطالعه به عنوان توابع هدف برای الگوریتم بهینه سازی در نظر گرفته شده اند. مدل های ﻃﺮاﺣﯽ ﺷﺪﻩ ﺑﻪ جهت ﺑﺮﻗﺮاری ﺑﻬﺘﺮﯾﻦ ﻧﮕﺎﺷﺖ ﻣﻤﮑﻦ ﻣﺎ ﺑﯿﻦ ورودی و ﺧﺮوﺟﯽ های ﻣﺴﺌﻠﻪ اﻧﺘﺨﺎب شده اند در ﭘﺎﯾﺎن ﺧﺮوﺟﯽ های متناسب با بهترین نتایج بدست آمده حاصل از مقایسه بین مدلسازی های انجام شده مابین شبکه عصبی مصنوعی و برنامه نویسی ژنتیک انجام گرفته و از نتایج بدست آمده می توان مشاهده کرد که هر دو روش دارای مقادیر تقریبا برابر از لحاظ شاخص اماری ضریب تعیین R2 (به طور میانگین 0.9998) بوده و این نیز نشان از دقت و عملکرد بالای مدلهای تولید شده در قبال پیش بینی خروجی های مدنظر می باشد. بدین منظور نگارنده، مدت زمان صرف شده برای اجرا الگوریتم را به عنوان فاکتور انتخاب الگوریتم و متدولوژی برتر در نظر گرفته و از خروجی های فرمولیزه شده توسط برنامه نویسی ژنتیک به منظور تولید توابع هدف برای بکارگیری در بخش بهینه سازی استفاده نموده است. در پایان به جهت اختصار، سه تابع هدف تولید شده به منظور اعمال ﺑﻬﯿﻨﻪ ﺳﺎزی از ﻃﺮﯾﻖ اﻟﮕﻮرﯾﺘﻢ ﺑﻬﯿﻨﻪ ﺳﺎزی ﭼﻨﺪ هدﻓﻪ ﻣﺮﺗﺐ ﺳﺎزی ﻧﺎﻣﻐﻠﻮب ﻧﺴﺨﻪ ﺳﻮم از طریق ﺗﺸﮑﯿﻞ ﺟﺒﻬﻪ ﭘﺎرﺗﻮ و ﺑﺪﺳﺖ آوردن ﻣﺠﻤﻮﻋﻪ ای از ﻧﻘﺎط ﺑﻬﯿﻨﻪ ﻣﻮﺗﻮری اﺳﺘﻔﺎدﻩ شده اند. به منظور بررسی و تایید اعتبار نتایج بدست آمده از جبهه پارتو الگوریتم ژنتیک، از الگوریتم چند هدفه کلاسیک مبتنی بر گرادیان MOSQP استفاده شده ونتایج دو الگوریتم علاوه بر اینکه با هم مقایسه گردیدند، نقاط منتخب از جبهه پارتو به عنوان مقادیر اولیه و شروع برای الگوریتم MOSQP وارد شد و به نتایج قابل قبولی رسیده شد. علاوه بر این موارد، داده های هندسی مربوط به کاسه پیستون که به منظور بهینه سازی، به عنوان متغیرهای تصمیم گیری گنجانده شده بودند، بعد از تایید نهایی در نرم افزار فایر اعمال و هندسه کاسه پیستون و زاویه پاشش بهینه شده به همراه سایر پارامترهای بهینه شده موتوری ارائه شده اند.

Text of Note

AbstractDue to their lower fuel consumption, durability, and various uses compared to other types of engines, diesel engines have attracted the attention of manufacturers as a source of power production. In addition to the increasing use of these types of engines, the tightening of pollution standards due to environmental concerns, the researchers of this field have taken a fundamental step in optimizing the combustion processes to reduce fuel consumption, pollution, and pollution. Most of the studies that have used modeling methods in diesel engines have considered laboratory results as input variables. Cost-generating, spending a lot of time, using mathematical models and repeating experiments to calibrate some parameters has made the laboratory study methods in diesel engine to be exhausting; therefore, a mathematical model is used to predict and perform engine pollutants, but the results obtained have not always been satisfactory. An alternative to mathematical modeling is the use of artificial neural networks. Neural networks are non-linear computer algorithms that can model the behavior of complex engineering processes. In the present research, the simulation of the combustion chamber of a diesel engine was done using AVL Fire software, and the results of the simulation were validated by the experimental data obtained from the engine test. The output data from Fire software includes the pollutants produced by the engine (Soot, NO, CO), power parameters (Indicated Power, IMEP) and brake specific fuel consumption (BSFC), which are used for the modeling process.In the next step, the modeling of engine performance and pollution data was done by two methodologies, artificial neural network and genetic programming and the obtained results, in order to compare and choose the best model, have been examined and compared with the multi-layered perceptron neural network structure according to the desired values of multiple statistical-mathematical branches.Network inputs include Speed (N), Injection Angle (IA), Bowl middle diameter (Dm), In cylinder Temperature (IT), In cylinder Pressure (IP), Intake Air Pressure (IAP), Rail Pressure (RP), Fuel Injection Quantity (FI), Inner Bowl Diameter (Di), Air Flow (AF) and are considered as decision variables in multi-objective optimization, and the objective functions according to neural network outputs include BMEP, BSFC, BTHE, CO, HC, NOx, Power, Soot are considered as objective functions for the optimization algorithm. The models designed in order to establish the best possible mapping between the input and outputs of the problem have been selected. At the end, the outputs are corresponding to the best results obtained from the comparison between the modeling done between artificial neural network and genetic programming. The obtained results can be seen that both methods have almost equal values in terms of the statistical index of the coefficient of determination R2 (on average 0.9998) and this also shows the accuracy and high performance of the produced models in terms of predicting the intended outputs. . For this purpose, the author has considered the time spent to execute the algorithm as a factor for choosing the best algorithm and methodology and has used the outputs formulated by genetic programming to generate target functions for use in the optimization section. In the final chapter, objective functions that produced for optimization and calibration have been used through the multi-objective optimization algorithm of the third version of the non-dominant or NSGA-III in order to form the Pareto front and obtain a set of optimal motor point. In order to check and confirm the validity of the results obtained from the Pareto front of the genetic algorithm, the classical multi-objective gradient based algorithm as we know as MOSQP, was used. The results of the two algorithms were compared, and the selected points from the Pareto front were used as initial and starting values For the MOSQP that eventually reached an acceptable results.In addition to these cases, Piston geometric data (Dm,Di,IA) related to the piston bowl, which were included as decision variables in the optimization procedure, after the final validation test through MOSQP algorithm, applied in Fire software and an optimized piston bowl geometry and spray angle along with other optimal parameters have been provided.

Variant Title

Thesis Submitted in Partial Fulfilment of the Requirements for the Degree of Master of Science (M.Sc.) in Mechanical Engineering

Entry Element

‏اسلامی‏،

Part of Name Other than Entry Element

علیرضا ‏

Relator Code

تهیه کننده

Entry Element

حسن نژاد قدیم‏،

Entry Element

‏رنجبر،

Part of Name Other than Entry Element

رضا ‏

Part of Name Other than Entry Element

سید فرامرز ‏

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز