TY - JOUR ID - 111010 TI - مدل‌سازی اثر نانولوله‌های کربنی عامل دار حاوی اکسیژن، اضافه‌شده به مخلوط سوخت دیزل، بیودیزل و بیواتانول بر عملکرد و آلایندگی یک موتور دیزل با استفاده از شبکه عصبی مصنوعی JO - سوخت و احتراق JA - JFNC LA - fa SN - 2008-3629 AU - شاکری, لیلا AU - اصغری, علی AU - تقی زاده علی سرایی, احمد AD - فارغ التحصیل مهندسی مکانیک بیوسیستم، دانشگاه علوم کشاورزیو منابع طبیعی گرگان AD - عضو هیات علمی / دانشگاه علوم کشاورزی و منابع طبیعی گرگان AD - دانشگاه علوم کشاورزی و منابع طبیعی گرگان Y1 - 2020 PY - 2020 VL - 13 IS - 2 SP - 103 EP - 116 KW - عملکرد موتور KW - آلاینده‏ های موتور KW - نانو لوله کربنی KW - مدل‏ سازی با شبکه عصبی مصنوعی DO - N2 - چکیده: ترکیب سوخت‌های زیستی مانند بیودیزل، بیواتانول و نانولوله‌های کربنی به‌عنوان کاتالیزور به سوخت دیزل سبب عملکرد بهتر موتور و کاهش آلایندگی‌ها می‌شود. در تحقیق حاضر، برای تهیه سوخت‌های موردنیاز آزمایش، ابتدا به نسبت 5% نانولوله ­های کربنی عامل ­دار حاوی اکسیژن به سوخت دیزل اضافه شد. سپس نانولوله‏ های کربنی عامل دار با گروه اکسیژن‌دار COOH (غلظت‌های 30، 60 و ppm90) در دو سطح بیواتانول 3 و 6 درصد، با دیزل خالص و بیودیزل 5٪ ترکیب شد. آزمایش‏ ها در سه تکرار انجام شدند. در این تحقیق، مدلی با شبکه عصبی چندلایه الگوریتم یادگیری پس­ انتشار خطا روبه‌جلو (FFBP) برای تخمین عملکرد موتور ارائه شد نوع سوخت، دور موتور، چگالی، گرانروی، ارزش حرارتی سوخت، فشار چندراهِ ورودی، مصرف سوخت، دمای گازهای خروجی، دمای روغن، اکسیژن موجود در گازهای خروجی، رطوبت و فشار نسبی هوای محیط به‌عنوان پارامترهای لایه ورودی یا مستقل و عملکرد و آلایندگی موتور به‌عنوان پارامترهای لایه خروجی در نظر گرفته شدند. با توجه به نتایج به‌دست‌آمده از شبکه عصبی مصنوعی، انتشار آلایندگی‌های CO و UHC و مصرف سوخت ویژه کاهش یافت اما در انتشار NO_x شاهد افزایش بودیم. شبکه تشکیل‌شده با تابع آموزش سیگموئیدی به دلیل اینکه میزان R^2 و MSE بهتری نسبت به شبکه ‏های تشکیل‌شده خطی و تانژانت هیپربولیک، به‌عنوان مدل بهینه معرفی شد. درمجموع می‏توان بیان کرد که شبکه‏ عصبی مصنوعی توانایی مناسبی را در شبیه ‏سازی داده‏ ها و بررسی ضریب حساسیت آن‌ها نشان داده است. UR - https://www.jfnc.ir/article_111010.html L1 - https://www.jfnc.ir/article_111010_8733150a31b14f9b5672c6b6533ad5c0.pdf ER -