Alternatif yakıt karışımları kullanılan bir dizel motorunda çevrimsel farkların yapay sinir ağları ile modellenmesi

Abstract

Bu çalışmada saf dizel yakıtı, 5 farklı bütanol-dizel karışımı (%3, 6, 9,12 ve 15) ve 2 farklı etanol-dizel karışımı (%5 ve 10) kullanan bir dizel motorunda çevrimsel farklar yapay sinir ağları ile modellenmiştir. Ayrıca motor performansları ve egzoz emisyonları için iki farklı model daha geliştirilmiştir. Farklı motor devir sayılarında ve tam yük durumunda, çevrimsel farkları, motor performanslarını ve egzoz emisyonlarını değerlendirmek için doğal emişli, tek silindirli, dört zamanlı ve direkt püskürtmeli bir dizel motoru kullanılmıştır. Çevrimsel farkları hesaplamak için ortalama indike basıncın değişim katsayısı kullanılmıştır. Çalışma sonuçları, alkol (etanol veya bütanol) karışım oranının artmasıyla çevrimsel farkların artma eğilimine girdiğini göstermiştir. Ayrıca yakıt karışımındaki alkol miktarının artmasıyla özgül yakıt tüketimi ve efektif verim artarken, CO ve NOx emisyonları azalmıştır. Geliştirilen ağda iki farklı değişkenle beraber (Scaled Conjugate Gradient (SCG) ve Levenberg–Marquardt (LM) algoritmaları) geriye yayılım öğrenme algoritması, tek katman ve sigmoid transfer fonksiyonu kullanılmıştır. Ağın performansı için ortalama hata kareleri, ortalama mutlak yüzde hata ve determinasyon katsayısı kullanılmıştır. Geliştirilen tüm YSA modellerinin, deneysel sonuçlarla uyum içinde olduğu görülmüştür.

In this study, cyclic variability of a diesel engine using neat diesel fuel, five different butanol-diesel blends (%3, 6, 9, 12 and 15) and two different ethanol-diesel blends (%5 and 10) were modeled by using Artificial Neural Network (ANN). Also two different models were developed for engine performances and exhaust emissions. A naturally aspirated, single-cylinder, four-stroke and direct-injection diesel engine was used to evaluate their cyclic variation, engine performance and exhaust emission at different speeds and full load condition. The coefficient of variation of indicated mean pressure was used to evaluate cycle-to-cycle variation. The results have indicated that cyclic variability exhibits a increasing trend according to an increase in the alcohol blending ratio. In addition, specific fuel consumption and effective efficiency increased as carbon monoxide (CO) and nitrogen oxides (NOx) emissions decreased with increasing amount of alcohol (ethanol or n-butanol) in the fuel mixture. The back-propagation learning algorithm with two different variants (Scaled Conjugate Gradient (SCG) and Levenberg–Marquardt (LM) algorithms), single layer, and logistic sigmoid transfer function were used in the developed network. Mean square error, mean absolute percentage error and coefficient of determination values were used for performance of the networks. The all developed ANN models have showed a good agreement with the experimental results.