@article { author = {Jabraeili, Maryam and Pourdarbani, Razieh and Najafi, Bahman and Nematolahzadeh, Ali}, title = {Investigation of the Impact of SiO2_Al2O3 nano-composite to biodiesel-diesel fuel on performance and emission of a diesel engine}, journal = {Fuel and Combustion}, volume = {13}, number = {2}, pages = {25-39}, year = {2020}, publisher = {iranian combustion institute}, issn = {2008-3629}, eissn = {2008-3637}, doi = {}, abstract = {Initially, adding B5 to diesel fuel was led to reduce CO emissions and fuel consumption and increase torque and brake power. In the next step, alumina and silica nanoparticles were added separately to the diesel-biodiesel fuel at 30, 60, 90 and 120 ppm. The results showed that SiO2, compared to Al2O3, improved the performance and reduced emissions which resulted in 21.6% increase in brake power at 90 ppm, 8.1% decrease in CO2, 56.16% decrease in CO, 3.05% decrease in fuel consumption and a very slight increase of 0.57% and 0.6% in NOX and NO, respectively. Then SiO2_Al2O3 composite samples with different ratios were added to diesel-biodiesel fuel. Among the nanocomposites, B5Al60Si60 had the highest power and torque, resulting in a 1.44% increase in torque and a 1.64% increase in brake power compared to diesel fuel and a reduction of 39.21%, 9.9%, 10, 6.9% and 6.85% in CO, CO2, NO and NOX, respectively. A multilayered neural network with one and two hidden layers and two types of sigmoid activation and hyperbolic tangent were used to analyze the results. The MSE and R values for brake power, CO, CO2, NO, NOX and torque were 21.10 and 0.9905, 1414/75 and 0.9910, 0.0009 and 0.9940, 3.94 and 0.9965, 0.00079919, and 0.9905 respectively. In total, the best network is that with the sigmoid activation function and the hidden layer.}, keywords = {Biodiesel,Neural Network,Multilayer Perceptron,Renewable Energy}, title_fa = {بررسی تاثیر افزودن نانوکامپوزیت Al2O3-SiO2 به سوخت بیودیزل-دیزل بر روی عملکرد و آلایندگی یک موتور دیزلی}, abstract_fa = {بیودیزل یکی از انرژی­ های پاک و تجدیدپذیر است که می‌تواند جایگزین مناسبی برای سوخت­ های فسیلی باشد و بدون تغییردادن موتورهای دیزلی جایگزین دیزل­ های نفتی شود. این پژوهش دارای دو بخش بوده که در بخش اول به مقایسه نتایج افزودنی نانوذرات آلومینا، نانوذرات سیلیکا و ترکیب نانوکامپوزیت آلومینا-سیلیکا به سوخت بیودیزل بر پارامترهای عملکردی و انتشار آلاینده‌های خروجی پرداخته شد. در بخش دوم، کارایی شبکه عصبی در پیش‌بینی پارامترهای تاثیرگذار بر عملکرد و گازهای خروجی بررسی شده است. ابتدا، با افزوده­شدن B5به سوخت دیزل، کاهش در میزان آلاینده‌ CO، کاهش مصرف ویژه سوخت و افزایش در گشتاور و توان ترمزی رخ داد. در گام بعدی، نانوذرات آلومینا و سیلیکا به­طور جداگانه در نسبت­های مختلف 30، 60، 90 و  ppm 120 به سوخت دیزل-بیودیزل افزوده شد. نتایج نشان داد که نانوذرات سیلیکا نسبت­به نانوذرات آلومینا باعث بهبودی بیشتر در عملکرد موتور دیزلی و کاهش آلاینده‌ها شده که در نسبت ppm90، افزایش 21/6% در توان ترمزی حاصل شد. گشتاور هیچ تغییری نکرد و کاهش 8/1% در CO2، کاهش 56/16% در CO، کاهش 3/05% در مصرف سوخت و افزایش بسیار جزئی 0/57% و  0/6% در NOX و NO صورت گرفت. سپس، نمونه­ های کامپوزیت­ شده با نسبت ­های مختلف به سوخت دیزل-بیودیزل افزوده شدند. از بین نانوکامپوزیت‌ها، ترکیب B5Al60Si60  دارای بیشینه توان و گشتاور بود و منجربه افزایش 1/44% در گشتاور و افزایش 1/64% در توان ترمزی نسبت­به سوخت دیزل شد و نیز به­ ترتیب منجربه کاهش 39/21%، 10/9%، 6/9% و 6/85% در CO، CO2، NO و NOX شد. شبکۀ عصبی مصنوعی پرسپترون چندلایه با یک و دولایۀ پنهان و دو نوع تابع فعال‌سازی سیگموئیدی و تانژانت هیپربولیک برای تحلیل نتایج استفاده شد. مقادیر MSE و R به ­ترتیب برای توان ترمزی 21/10 و 0/9905، برای CO 1498/75 و 0/9910، برای  CO2  0/0009و 0/9940، برای  NO 3/94و 0/9965، برای NOx 4/39 و 0/9919 و برای گشتاور 0/00079919و0/9905بوده است. در مجموع، شبکه با تابع فعال‌سازی سیگموئیدی و دو لایه پنهان بهترین شبکه بوده است.}, keywords_fa = {انرژی تجدید پذیر,بیودیزل,شبکه عصبی,پرسپترون چندلایه}, url = {https://www.jfnc.ir/article_109557.html}, eprint = {https://www.jfnc.ir/article_109557_1a639e90fdfabe3cc68d5e1d33f4a76f.pdf} }