عباس زارع نژاد اشکذری - university of sistan and baluchestan
علیرضا حسین نژاد - university of sistan and baluchestan
سعید فراهت - university of sistan and baluchestan

در این مقاله با استفاده از نتایج آزمایشگاهی و شبیه سازی عددی صورت گرفته توسط نرم افزار فایر، مدل سازی آلاینده ها و همچنین میزان مصرف سوخت در یک موتور دیزل پاشش مستقیم با استفاده از شبکه عصبی انجام گرفته که ورودی مدل سازی، دمای هوای ورودی، جرم سوخت تزریق شده، تایمینگ تزریق سوخت، طول مدت تزریق، دور موتور و تایمینگ بسته شدن سوپاپ ورودی می باشد. سپس بر اساس مدل های بدست آمده برای خروجی های فوق، با استفاده از الگوریتم بهینه سازی مورچگان به بهینه سازی کمترین مقدار آلاینده ها و همچنین کمترین میزان مصرف سوخت پرداخته شده است. برای این منظور، با استفاده از آزمایشات تجربی و همچنین شبیه سازی صورت گرفته، مقدمات لازم برای مدلسازی پارامترهای عملکردی و خروجی توسط شبکه عصبی فراهم شده است. شبکه عصبی مصنوعی با الگوریتم آموزشی لونبرگ- مارگوارت برای مدلسازی و آموزش ارتباط موجود بین پارامترهای مذکور با بهره گیری از داده های موجود، استفاده شده و به عنوان یک روش پیشگو در الگوریتم مورچگان برای یافتن مقادیر بهینه به صورت یک زیرروال بکار رفته و متغیر های طراحی که باعث بهینه سازی توابع هدف می شوند، بدست آمده است. نتایج بررسی ها، حاکی از همگرایی سریع و زمان پاسخگویی کوتاه الگوریتم مورچگان و بهینه سازی خوب پارامترهای کنترلی در مقایسه با دیگر الگوریتم های فراابتکاری است. همچنین روش ترکیبی شبکه عصبی-الگوریتم مورچگان به دلیل همگرایی سریع و بهینه سازی قابل توجه پارامترهای خروجی، می تواند به عنوان یک روش موثر در سیستم های کنترل هوشمند موتورهای دیزل برای کاهش آلاینده ها و مصرف سوخت مورد استفاده قرار گیرد.

Optimization, ANN, Ant colony algorithm, NOx, Soot, بهینه سازی, شبکه عصبی مصنوعی, الگوریتم مورچگان, NOx, soot