بررسی تاثیر افزودن نانوکامپوزیت Al2O3-SiO2 به سوخت بیودیزل-دیزل بر روی عملکرد و آلایندگی یک موتور دیزلی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه محقق اردبیلی، اردبیل، ایران

2 دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه محقق اردبیلی

3 گروه بیوسیستم. دانشکده کشاورزی.دانشگاه محقق اردبیلی. اردبیل. ایران

4 گروه مهندسی شیمی. دانشکده فنی. دانشگاه محقق اردبیلی. اردبیل ایران

چکیده

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.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation of the Impact of SiO2_Al2O3 nano-composite to biodiesel-diesel fuel on performance and emission of a diesel engine

نویسندگان [English]

  • Maryam Jabraeili 1
  • Razieh Pourdarbani 2
  • Bahman Najafi 3
  • Ali Nematolahzadeh 4
1 1. Dept of Biosystem Engineering, University of Mohaghegh Ardabili, Ardabil, Iran.
2 Dept of biosystem engineering, Faculty of Agriculture, University of Mohaghegh Ardabili
3 1. Dept of Biosystem Engineering, University of Mohaghegh Ardabili, Ardabil, Iran.
4 Dept. of of Chemical Engineering, University of Mohaghegh Ardabili, Ardabil, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Biodiesel
  • Neural Network
  • Multilayer Perceptron
  • Renewable Energy
  1. K. Tahvildari and M. Amani, “Biodiesel from Safflower Oil and Investigation of Properties of 20% Blend with Diesel Fuel,” Journal of Applied Chemistry Research (JSCR), 4, No. 13, 2010, pp. 64-57.
  2. S. W. Lee, T. Herage and B. Young, “Emission reduction potential from the combustion of soy methyl ester fuel blended with petroleum distillate fuel,” Fuel, Vol. 83, No. 11, 2004, pp. 1607-1613.
  3. Y. Niknam, A. Shabani, Sh. Deli and A. Mirmohammadi, “Experimental study of the effect of adding nanoparticles to diesel-biodiesel fuel on diesel engine performance and pollution OM-314,” Nano Science and Technology Conference, Gorgan, Payam Noor University of Gorgan, 2014.
  4. T. Shaafi, K. Sairam, A. Gopinath, G. Kumaresan and R. Velraj, “Effect of dispersion of various nanoadditives on the performance and emission characteristics of a CI engine fuelled with diesel, biodiesel and blends-A review,” Renewable and Sustainable Energy Reviews, Vol. 49, 2015, pp. 563-573.
  5. N. Ichinose, Y. Ozaki and S. Kashii, Superfine Particle Technology, 1st edition, Springer, Verlag, 1992.
  6. H. Lu, H. Zheng, H. Lou, L. Jiang, Y. Chen and S. Fang, “Using neural networks to estimate the losses of ascorbic acid, total phenols, flavonoid, and antioxidant activity in asparagus during thermal treatments,” Journal of Agricultural and Food Chemistry, Vol. 58, 2010,  pp. 2995-3001.
  7. W. A. Balogun, M. E. Salami, A. M. Aibinu and Y. M. Mustafah, “Mini Review: Artificial Neural Network Application on Fruit and Vegetables Quality Assessment,” International Journal of Scientific and Engineering Research, Vol. 5, No. 6, 2014, pp. 702-708.
  8. R. Pourdarbani, H. R. Ghassemzadeh, A. Aghagolzadeh, H. Behfar, “Feasibility Study of Apple Quality Grading Using Image Processing,” Journal of food research, Vol. 19, No. 1, 2009, pp. 72-85.
  9. R. Pourdarbani, S. Sabzi, M. Hernández-Hernández, J. Luis Hernández-Hernández, G. García-Mateos, D. Kalantari and J. Miguel Molina-Martínez, “Comparison of Different Classifiers and the Majority Voting Rule for the Detection of Plum Fruits in Garden Conditions,” Remote sensing, Vol. 11, No. 2546, 2019, pp.1-17.
  10. A. Hosu, V. M. Cristea and C. Cimpoiu, “Analysis of total phenolic, flavonoids, anthocyanins and tannins content in Romanian red wines: Prediction of antioxidant activities and classification of wines using artificial neural networks,” Food Chemistry, Vol. 150, 2014, pp. 13-118.
  11. S. Mazloumzadeh, S. Alavi and M. Nouri, “Comparison of Artificial Neural and Wavelet Neural Networks for Prediction of Barley Breakage in Combine Harvester,” Journal of Agriculture, Vol. 10, 2008, pp. 181-195.
  12. R. Beale and T. Jackson, Neural Computing: An Introduction, Institute of Physics Publishing, 1998.
  13. M. Menhaj, Foundation of Artifitioal Neural Networks, Amir Kabir University publishing, Iran, 2000
  14. D. Ganesh and G. Gowrishankar, “Effect of nano-fuel additive on emission reduction in a biodiesel fuelled CI engine,” International conference on electrical and control engineering, Yichang, China, pp. 3453-3459, 2011
  15. A. Selvaganapthy, A. Sunder, B. Kumaragurubaran and P. Gopal, "An experimental investigation to study the effects of various nano particles with diesel on diesel engine,” Journal of Science and Technology, 3, No. 1, 2013, pp. 112-115.
  16. R. N. Mehta, M. Chakraborty and P. A. Parikh, “Nano fuels: Combustion, engine performance and emissions,” Fuel, Vol. 120, 2014, pp. 91-97.
  17. R. D. Silva, K. G. Bilnu and T. Bhat, “Performance and emission characteristics of a C.I. Engine fuelled with diesel and TiO2 nanoparticles as fuel additive,” Materials Today, Proceedings, Vol,2, No. 4-5, 2015, pp. 3728-3725.
  18. C. S. Aalam and C. G. Saravanan, “Effect of nano metal oxide blended Muhua biodiesel on CRDI diesel engine,” Ain Shams Engineering Journal, 8, No. 4, 2015, pp. 0-7.
  19. A. Kowalewicz, “Emission characteristics of compression ignition engines fuelled with RME/DF and ethanol,” Journal of Kones, 11, No. 1-2, 2004, pp.349-357.
  20. A. Prabu, and R. B. Anand, “Emission control strategy by adding alumina and cerium oxide nano particle in biodiesel,” Journal of the energy institute, Vol. 89, No. 3, 2015, pp. 366-372.
  21. A. F. Chen, M. A. Adzmi, A. Adam, M. F. Othman, M. K. Kamaruzzaman and A. G. Mrwan, “Combustion characteristics, engine performances and emissions of a diesel engine using nanoparticle-diesel fuel blends with aluminium oxide, carbon nanotubes and silicon oxide,” Energy Conversion and Management, 171, 2018, pp.461-477.
  22. S. H. Hosseini, A. Taghizadeh-Alisaraei, B. Ghobadian and A. Abbaszadeh-Mayvan, “Effect of Added Alumina as Nano-Catalyst to Diesel-Biodiesel Blends on Performance and Emission Characteristics of CI Engine,” Energy, Vol. 124, 2017, pp. 543-552.
  23. M. Atadashi, M. K. Aroua, N. M. Nik Sulaiman, A. A. Abdul Raman, “The effects of catalysts in biodiesel production: A review”, journal of Industrial and Engineering Chemistry, Vol.19, No. 1, pp.14-26, 2013.
  24. Q. Wu, X. Xie, Y. Wang and T. Roskilly, “Effect of carbon coated aluminum nanoparticles as additive to biodieseldiesel blends on performance and emission characteristics of diesel engine,” Applied Energy, 221, 2018, pp. 597-604.
  25. M. Y. B. Khoshnevisan, Sh. Rafiee and M. Omid, “Prediction of environmental indices of Iran wheat production using artificial neural networks,” International Journal of Energy and Environment, Vol. 4, No. 2, 2013, pp. 339-348.