روش نرم افزاری برای پیش بینی انتشار آلاینده اکسید نیتروژن با استفاده از معماری شبکه عصبی کانولوشنی عمیق

در این مطالعه روشی نرم افزاری مبتنی بر یادگیری عمیق برای پیش بینی انتشار اکسید نیتروژن (NOX) در موتورهای دیزل دوگانه سوز ارائه شده است. مدل پیشنهادی ترکیبی از شبکه عصبی کانولوشنی (CNN) و لایههای حافظه بلندمدت کوتاه مدت (LSTM) میباشد که به منظور استخراج ویژگیهای فضایی زمانی از دادههای عملکردی موتور طراحی شده است ورودیهای مدل شامل پارامترهای دینامیکی و ترمودینامیکی نظیر سرعت، موتور گشتاور، فشار و دمای سوخت، جریان هوا و زمانبندی پاشش است که پس از پیش پردازش و نرمال سازی مناسب به مدل داده میشوند این ساختار امکان پیش بینی دقیق و عددی مقدار انتشار NOX را بدون نیاز به مداخلات سخت افزاری یا تغییرات فیزیکی در موتور فراهم می آورد نتایج آزمایشهای عددی نشان دهنده عملکرد قابل قبول و قابلیت تعمیم پذیری مدل در شرایط متنوع کاری موتور بوده و این سامانه را به عنوان ابزاری موثر برای پایش و کنترل هوشمند آلایندههای موتورهای دیزل دوگانه سوز معرفی می کند.

کلیدواژه ها:

انتشار اکسید نیتروژن (NOX) ، یادگیری عمیق ، شبکه عصبی کانولوشنی (CNN) ، حافظه کوتاه مدت بلندمدت (LSTM) ، پیش بینی آلاینده ها ، نرمال سازی داده ها