%0 Journal Article %T کاربرد شبکه عصبی مصنوعی و روش سطح پاسخ در پیش‌بینی و بهینه‌سازی پارامترهای عملکردی و آلایندگی موتور دیزل دوگانه سوز در حضور افزودنی آب %J مطالعات علوم محیط زیست %I مرکز فناوری های پایش آلودگی هوا و آب و سامانه های انرژی %Z 2588-6851 %A فیض اله زاده اردبیلی, سینا %A مرتضی, مغدید %A نجفی, بهمن %D 2022 %\ 06/22/2022 %V 7 %N 2 %P 4937-4948 %! کاربرد شبکه عصبی مصنوعی و روش سطح پاسخ در پیش‌بینی و بهینه‌سازی پارامترهای عملکردی و آلایندگی موتور دیزل دوگانه سوز در حضور افزودنی آب %K بیودیزل %K موتور احتراق تراکمی %K آب %K هوش مصنوعی %K گاز طبیعی %R 10.22034/jess.2022.334830.1751 %X در این مطالعه، از روش‌های شبکه عصبی مصنوعی (ANN) و سطح پاسخ (RSM) برای مدلسازی و بهینه سازی آزمایش‌های تجربی در راستای بررسی تاثیر گازطبیعی (NG)، آب و بیودیزل حاصل از روغن خوراکی پسماند در فرایند احتراق موتور دیزل تک سیلندر استفاده شد. در ابتدا، آزمایش موتور با دیزل خالص انجام شد و سپس موتور برای کار در حالت دوگانه سوز آماده شد. با استفاده از یک میکسر، گاز طبیعی در منیفولد ورودی با هوا مخلوط شد و امولسیون آب، بیودیزل و دیزل به عنوان سوخت تزریق مستقیم به کارگرفته شدند. سهم انرژی گاز طبیعی در این کار تحقیقاتی از 60 تا 80 درصد متغیر بود. آب با درصد حجمی 1/0 تا 5/0 درصد با مخلوط های دیزل-بیودیزل مخلوط شد. مدل شبکه عصبی مصنوعی برای پیش‌بینی همبستگی بین پاسخ‌های خروجی موتور شامل پارامترهای عملکردی و آلایندگی و عوامل ورودی شامل بار موتور، درصد گاز طبیعی و درصد بیودیزل با استفاده از الگوریتم پس انتشار خطا توسعه داده شده است. روش سطح پاسخ به بهینه سازی پارامترهای ورودی موتور به منظور به حداقل رساندن انتشار و به حداکثر رساندن عملکرد موتور مربوط می شود. تعداد نرون 18 بالاترین دقت، کمترین RMSE (0.490، 6.522، 1.777، 1.507، 103.97 و 1.119) و بالاترین ضریب همبستگی (0.79، 0.99، 0.88، 0.92، 0.95، و 0.85) به ترتیب برای توان ترمزی، مصرف سوخت ویژه ترمزی، بازده حرارتی،BSCO، BSCO2، و BSNOx تولید کرده است. بنابراین تعداد 18 نرون در لایه مخفی به عنوان بهینه تعداد نرون در لایه مخفی انتخاب شد و با توجه به تعداد ورودی ها و خروجی ها، بهترین معماری شبکه، 6-18-3 نامیده شد. %U https://www.jess.ir/article_149687_f7df4556fc133cd935f20a36b1b3f477.pdf