运用人工神经网络预测柴油机热裂腰果壳油混合液的性能、燃烧和排放特性
摘要：本文探讨了使用人工神经网络（ANN）来预测热裂化腰果壳油（TC-CNSL）作为生物柴油与柴油混合的单缸、四冲程柴油发动机的性能、燃烧和排放情况。 测试通过改变提前垫片的厚度，在三个不同的喷射定时（21°，23°，25°CA bTDC）进行测试。人工神经网络用于预测八种不同的发动机输出特性，即制动热效率（BTE），有效燃油消耗率（BSFC），排气温度（EGT），一氧化碳（CO），氮氧化物（NOx），碳氢化合物（HC），最大压力（P max）和热释放率（HRR）。 使用四个相关的发动机运行参数，即喷射正时（IT），喷射压力（IP），混合百分比和负荷率作为该建模工作的输入参数。ANN结果表明，ANN预测值与各种发动机性能、燃烧参数和尾气排放特性的实验值都有很好的相关性。均方根误差值(MSE)为0.005621,R2的回归值为0.99316，验证值为0.98812，测试时为0.9841，整体值为0.99173。因此，建立的神经网络模型对于预测内燃机的性能、燃烧和尾气排放具有相当大的作用。
关键词:腰果壳液(CNSL)、人工神经网络(ANN)、热裂解、均方误差(MSE)
- 概述
汽车是任何国家经济增长的主要推动力量。 随着许多第三世界国家的快速工业化，传统石油来源的需求量大大增加。与此同时，石油生产商无法满足需求，已经把兴趣转向了非常规石油资源，例如水黄皮油，棉籽油，麻风树油等非食用油。在这些非常规 石油来源中，勘探最少的是腰果壳油（CNSL）。尽管CNSL会产生苯酚的所有的保守反应，但CNSL醛浓度产品和CNSL基酚醛树脂可用于表面涂料和粘合剂等应用。 经过适当的处理后，它也可以用作内燃机的替代燃料。其中一种非常简单的方法是通过预热来直接在发动机中使用CNSL。 但是这种方法由于燃料中的硫含量而会导致胶质形成和气缸套腐蚀的问题。 一些研究人员[1]已经提出了将CNSL与柴油混合成不同比例的概念，并在直接喷射到发动机气缸中之前预热油。 通过这些修改，他们报告了制动器热效（BTE）的改进。 与其他获得非常普及的非食用油相比，努力利用CNSL作为生产生物柴油的原材料很少见。 Vedharaj等人[2]指出，从腰果壳生物质提取可再生能源CNSL并将其用作柴油发动机的另一种燃料是非常必要的。CNSL作为一种有价值的石化工业原料，已被用作生产生物柴油的潜在来源，并且直接用于柴油发动机而无需对发动机进行任何改造[3]。 多年来，IC发动机的研究通过使用各种方法来研究不同燃料和运行条件下的发动机性能，这些方法都要试图减少时间消耗和复杂性。 人工神经网络（ANN）是一种用于对复杂系统中的物理现象进行建模但不需要数学表征的技术。碳积累，沉积物的形成和润滑油的污染是导致发动机连续运行植物油时发生故障的诱导因素[4]。
ANN是一个简单的技术，具有强大的信息处理特性[5]。ANN也被用作汽车工业的一个工具来预测大量的引擎输出参数。当新的操作条件被测试时，ANN作为一个引擎优化工具因为它在所需的时间和资源成本较低而更具有吸引力[6]。采用人工神经技术[7]对柴油和生物柴油燃料柴油机的发动机排放和性能进行了建模。当给出足够的实验输入数据时，可以应用该技术预测期望的输出[6]。利用平方误差值(MSE)和相关系数(R2)的统计方法来确定所预测数据的准确性。利用MSE对ANN的真值与参数预测值的差值进行了量化。R2是实验和预测数据之间的比例值[8]。
在ANN中，多个输入变量可用于预测多个输出变量。 ANN因为不需要冗长的迭代来求解微分方程[9]，因此预测比传统的数学模型快得多。 超双曲正切，线性函数和S形是常用的传递函数。 神经网络可以解释为一种输入/输出模型[10]。 柴油机的发动机性能，尾气排放，制动比油耗（BSFC）和A / F当量比都可以用ANN技术预测[11]。
许多发动机燃料研究表明，ANN是一种非常强大的建模技术[12-20]。 在这项研究中，发动机由CNSL-柴油混合燃料运行，通过开发ANN模型来估计参数，例如BTE，BSFC，排气温度（参考值），考虑输入层载荷，混合比，喷射正时和喷射压力 （EGT），CO，HC，NOx，Pmax和热释放率（HRR）。并使用Matlab 10程序对从输出层获得的参数方程进行优化。
2.材料和方法
2.1热裂化腰果壳油的生产（TC-CNSL）
蒸馏技术CNSL（DT-CNSL）是加工的原始CNSL的第一阶段。 DT-CNSL由2％聚合物材料，8％cardol和78％腰果酚组成，而剩余的材料是其他物质以体积为基准。 TC-CNSL来源于Cardonal，温度从180°C到380°C，大气压力下。用于生产TC-CNSL的设备示意图如Fig1所示。它由一个反应器，一个反应器压力表，安全阀，热电偶，温度控制器，冷凝器，加热线圈和配电盘。使用校准的K型热电偶测量蒸气温度。最初，将5升DT-CNSL（腰果酚）填充到裂化反应器中。然后用电线圈加热反应器直到CNSL达到180℃-380℃的温度。该温度由电加热器的温度控制器保持。由于加热而形成的蒸汽在冷凝器中冷凝。冷凝物收集在烧杯中。这种有机部分（浅色）被称为TC-CNSL。水用作冷却剂并以恒定流速在冷凝器中循环。压力表和安全阀与反应器配合以分别测量和防止反应器内部的过压。 TC-CNSL和柴油的性能在实验室（Sargam实验室，钦奈）进行测试并在table1中给出。
2.2实验设置和数据预处理
本文研究使用的是单缸四冲程水冷DI柴油发动机，功率为1500 r / min，功率为3.7 kW。测试引擎配备了恒速调速器，压缩比为17.5。发动机的细节在表2中列出。
发动机有一个活塞式缸内燃烧室，为半球形开放式燃烧室，还有一个顶置式阀门装置。阀门由推杆和凸轮轴操作。发动机冷却所需的水由水泵强制通过水套。为了测量压力，将压电换能器安装在气缸盖上，通常位于凹槽中。曲轴转角编码器通过皮带传动装置连接到凸轮轴。压力传感器和曲柄角编码器连接到数字数据采集系统。使用基于计算机的数字数据采集系统分析压力曲轴角数据并获得热释放率。使用K型热电偶测量发动机的排气温度。发动机废气排放参数通过NDIR（非分散红外）废气分析仪测量。制造商推荐的喷射正时为23°bTDC，喷射器开启压力为20MPa。此外，电动机在体积前提下尝试了不同的混合物，例如B20，B40，B60，B80和B100（TC-CNSL）。对其性能、排放和燃烧特性进行了评价，并与油滑柴油的操作进行了比较。
1）一开始，在21°，23°和25°bTDC的喷射时间下，发动机以净柴油运转，压缩比为17.5（正常值）。发动机从空载0％推动到100％的满载，每次运行时负载逐渐增加20％。
2）当处于稳定状态时，测量气缸压力，HRR，CO，NOx，HC，燃料消耗率和制动功率等参数。
3）然后发动机继续以混合有20％，40％，60％，80％和100％的柴油（按体积）混合的TC-CNSL混合物运行。燃烧，排放和性能良好。
4）对于18MPa，20MPa和22MPa的注射压力，整套实验是重复的.
5）通过抽空垫片将注射时间推进2°bTDC，并且对于所有三种注射压力重新进行上述试验。通过额外垫片，喷射正时比典型状况延迟了2°bTDC，并且重新设计上述试验布置,仅考虑在100％的负荷下在不同操作条件下的燃烧，排放和性能特性。
3.人工神经网络
人工智能结构作为一种创新通常是提供一种选择方法来处理复杂的问题。神经系统是一种人工智能框架，它努力模仿人类大脑达到预期效果，它是由称为神经元的相互连接的基本操作装置构成的，能够处理大量的信息，管理非线性问题，一旦准备好，就可以在高速下进行投机和期望[4]。本文采用稳态实验数据，建立了发动机燃烧、排放和性能特征的神经网络模型和独立模型。为了克服过度拟合和不拟合的困难在每个模型中，都调整了一个隐藏层。训练函数被用来决定输出和输入值的映射，以尽量减少训练和测试错误[21]。在测试和训练过程中的错误被称为MSE的指数评估，而实际和预测值之间的预测精度是使用相关系数(R2)定义的：
其中t是目标值，n是数据集的数量，o是输出值[22]。在这个模型中，70％的数据集被分配给训练集，而其余15％的数据被放弃用于预测，另外15％的数据用于验证。ANN通常包括三种类型的神经元层，即输入，隐藏和输出层。注射压力，注射时间，百分比混合和百分比负荷被用作输入参数。由HRR，Pmax，BTE，BSFC，EGT，HC，CO，NOx组成的八个发动机输出响应被认为是输出神经元。如Fig2所示，八个发动机输出反应被显示为使用ANN的四个发动机控制极限的目的。通常在ANN中，来自输入层的指示被移动到隐藏层中的神经元。在此，利用隐蔽层的设定元素对信息集合的非直接行为进行粗略的处理，通过考虑在ANN准备和接受阶段中获得的相互关联的神经元的权重元素，完成这一过程。
table3列出了本文研究中制定和使用的人工神经网络设计的设置。一种用于训练人工神经网络模型流行的反向传播算法，具有不同的变化用于训练ANN模型。反向传播（BP）训练算法倾向于推动下降对于实际问题通常太慢，因为它们需要小的学习速率以用于不断的学习。更快的算法，如准牛顿，Levenberg-Marquardt（LM）和共轭梯度使用标准的数值优化技术。实际上，LM方法是牛顿方法的近似[9]。稳态实验数据用于人工神经网络建模。最初，为发动机燃烧，排放和性能特征开发了独立模型。在294种模式中，15％（44种模式）用于测试，15％（44种模式）用于验证，70％（205种模式）用于训练集。发动机负荷是影响发动机燃烧，排放和性能的重要参数之一。在本文的研究中，发动机从0％负荷运行到100％负荷，每次运行增加20％。
混合比例是网络的附加输入，以B20，B40，B60，B80和B100的指定混合比例的柴油作为网络的输入进行实验。根据TDC之前的曲柄角初始动态燃油喷射被称为喷射压力和喷射正时[4]。根据训练数据变量的性质设计变换函数。在table4中给出了使用各种训练算法的网络。从评估各种训练功能的结果，为了预测的目的，选择验证的产生最小误差。 LM（trainlm）是比其他所有训练算法最有效的功能，因为MSE％值较小[11]。此外，它比所有其他算法收敛得更快。一旦人工神经网络的训练结束，就通过提供它们作为输入来测试未知值的结果。 MSE％是用于测试网络性能的性能约束。为了评估网络模型的测试操作，MSE％值应该更接近测试和训练数据。本文采用Matlab 10仿真人工神经网络模型，并将神经网络工具箱中定义的标准训练函数用于本研究。
人工神经网络模型的运行明显受到每个隐藏层神经元数量和隐藏层数量的影响。 三个神经网络针对不同的注射时机，即21°bTDC，23°bTDC和25°bTDC进行训练。 对于所选择的网络，如Fig3所示，性能是通过最小误差为0.00565的误差率和30个时期实现的。
4.结果和讨论
将包含不同种类和混合的TC-CNSL-柴油燃料的30个任意实验数据点的总和表示为table5中描述的模糊测试信息。这些信息焦点从未在ANN形成阶段熟悉ANN，并以这种方式被视为“不显眼”的信息焦点。这个测试的目的是关注所创建的人工神经网络显示的能力，以期望在table6中所示的改进所使用的信息集的预定范围内实现有限的引擎反应。基于实验工作，人工神经网络模型被开发为预测BSFC，BTE，EGT，CO，HC，NOx，Pmax和HRR。输入参数是负载，混合，燃油喷射压力和燃油喷射正时。使用ANN对实验引擎的输出参数的预测产生了令人印象深刻的相关统计，即开发网络对SFC，BTE，EGT，CO，HC，NO x，P max和HRR的预测能力是很好的。所选网络结构的综合相关系数R如Fig4所示。性能模型包含334组实验数据，并对30组实验数据进行测试,输出的预测值与实际的实验结果进行比较
4.1性能参数
Fig5,6和7分别显示了BTE，BSFC和EGT的ANN和实验推断值之间的变化。 ANN程序测试点为30分。估计和实验结果之间的波动非常小，对于所有参数可以忽略不计。这些都是用相关系数（R2）来衡量的。实验值和预测值的BTE如Fig5所示。BTE产量的预测值为0.9894的测试值和0.9794的训练值。实验值之间的最大差值预测值为6.707％。人工神经网络的ANN实验和预测值在Fig6中显示。对于BSFC，ANN为测试和训练提供了0.9984的R2值。实验值与预测值之间的最大差值为250.56克/千瓦时。这些值表明，神经网络在所有运行条件下均能令人满意地预测BSFC。图7显示EGT的实验值和预测值，R2值为0.9984，训练值为0.9984。实验值与预测值之间的最大差值为53°C。据观察，ANN性能模型可以用R2非常接近于1的回归值预测发动机性能。对于任何性能参数，实验值和预测值之间的偏差非常小。在整个网络分析中，相关系数为0.99，因此该模型成功预测了发动机性能[9,11]。从上述结果可以看出，性能模型中ANN实验数据与预测数据之间存在很好的关系。
4.2排放参数
ANN的实验和预测值的排放参数在图。 8，9和10，其中存在良好的相关性。Fig8给出
全文共11679字，剩余内容已隐藏，支付完成后下载完整资料
英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[15176]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
