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 لایه های حافظه بلندمدت کوتاه مدت (LSTM) می باشد که به منظور استخراج ویژگی های فضایی زمانی از داده های عملکردی موتور طراحی شده است. ورودی های مدل شامل پارامترهای دینامیکی و ترمودینامیکی نظیر سرعت، موتور، گشتاور، فشار و دمای سوخت، جریان هوا و زمان بندی پاشش است که پس از پیش پردازش و نرمال سازی مناسب به مدل داده می شوند. 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 آزمایش های 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 آلاینده های 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