این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۴، شماره ۱۳، صفحات ۲۳۳-۲۴۴
عنوان فارسی مدلسازی و شبیه‌سازی احتراق در موتورهای اشتعال‌جرقه‌ای بوسیله شبکه‌های عصبی و همچنین بررسی کالیبراسیون و اکتساب داده‌ها در نرم‌افزار GT-Power
چکیده فارسی مقاله پیش‌نیاز بسیاری از فرآیندهای کنترلی، مدلسازی است. مدل مورد استفاده برای طراحی کنترلر، می‌بایست دقیق و دارای پاسخی سریع باشد. استفاده از روش‌های مرسوم مدلسازی، یعنی مدلسازی براساس حل (عددی) معادلات حاکم بر جریان سیال داخل محفظه احتراق، بسیار زمان‌بر بوده و برای یک هدف کنترلی مناسب نیستند. در این مقاله تلاش می‌شود تا احتراق در یک موتور اشتعال‌جرقه‌ای با استفاده از شبکه‌های عصبی، مدلسازی شود و مدلی دقیق و در عین حال سریع برای احتراق بدست آید. هر فرآیند آموزش شبکه‌های عصبی، نیازمند اکتساب داده‌های آزمایشگاهی است. از طرف دیگر، فرآیندهای تست موتور، بسیار پرهزینه بوده و جداول داده‌های تست موجود (در صنعت) نیز برای آموزش شبکه‌های عصبی کافی نیستند. در این مقاله، ابتدا با استفاده از یک نرم‌افزار CFD، مدلی یک‌بعدی از موتور تهیه و براساس داده‌های واقعی تست موجود کالیبره و صحه‌گذاری می‌گردد. سپس با استفاده از مدل صحه‌گذاری شده CFD، فرآیند اکتساب داده‌های مورد نیاز اجرا می‌شود. به دلیل عدم دسترسی به ضرایب و داده‌های آزمایشگاهی مورد نیاز، کالیبراسیون مرحله‌ای پیچیده و بسیار زمان‌بر است. در اینجا تلاش شده است تا به شیوه‌ای علمی، کالیبراسیون مدل موتور در نرم‌افزار GT-Power اجرا و بیان گردد. در مرحله بعد، پس از بررسی اجمالی روش‌های به کار رفته در طراحی شبکه‌های عصبی، مدلسازی فرآیند احتراق بیان می‌شود. در نهایت، پاسخ‌های مدل شبکه عصبی با نتایج حاصل از نرم‌افزار GT-Power مقایسه شده و دقت بالای مدل نشان داده می‌شود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Modeling and Simulation of Combustion in SI Engines via Neural Networks and Investigation of Calibration and Data Acquisition in the GT-Power
چکیده انگلیسی مقاله The prerequisite in the majority of control processes is modeling. The model used to design a controller must be both accurate and real-time. Utilizing prevalent approaches of modeling, namely modeling based on (numerically) solving the equations governing the fluid in the combustion chamber, is too time-consuming and not suitable for a control purpose. This paper is to model combustion in an SI engine by means of neural networks and present an accurate and fast-response model for combustion. Obviously, any training procedure of neural networks does involve empirical data acquisition. On the other hand, engine testing is highly expensive, and testing data tables available (in industry) are not sufficient to train neural networks. In this paper, first with the aid of a CFD software, a one-dimensional model of an engine is constructed, and then calibrated using factual experimental data at hand. Afterwards, acquiring data required is performed via the validated CFD model. As a matter of fact, because of not having access to necessary experimental coefficients, calibration is an extremely complicated and time-consuming process. It will be attempted to accomplish and spell out the calibration of the engine model in the GT-Power software, in a scientific practice. After a brief survey on the methods employed in designing the neural networks, modeling of the combustion chamber will be stated. Eventually, the response of the constructed NN model will be compared to the results gained from the GT-Power software, and the great accuracy of the NN model will be indicated.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله امیر حسین شامخی | Amir Hossein Shamekhi


امیر محمد شامخی | Amir Mohammad Shamekhi
دانشگاه صنعتی خواجه نصیرالدین طوسی

نشانی اینترنتی http://journals.modares.ac.ir/browse.php?a_code=A-15-1000-5385&slc_lang=fa&sid=15
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-599582.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات