کامیار نیکزادفر - دانشکده مهندسی مکانیک، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
مهدی گریوانی - آزمایشگاه ترموترونیک ، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
احمد شیخ رضایی - دانشکده مهندسی مکانیک، دانشگاه صنعتی سهند، تبریز، ایران

استفاده از روشهای مدل مبنا در طراحی و توسعه محصولات قوای محرکه خودرو رو به گسترش است. بهره گیری از روشهای مدل مبنی در طراحی سامانه های کنترلی، بهینه سازی، زینه بندی و تحلیل حساسیت موتور، مستلزم در اختیار داشتن مدلهای دقیق و در عین حال سریع است. در این مقاله، مدل فرآیند دروناستوانهای موتور بنزینی تنفس طبیعی مجهز به سامانه زمانبندی متغیر پیوسته دریچه هوا با هدف استفاده در مدل مقدار میانگین توسعه یافته و نیز فرآیند زینه بندی مدل مبنای موتور، توسعه داده شده است. مدل فرآیند درون استوانهای، مدل ترمو-سیالاتی استاتیکی است که با دریافت شرایط مرزی حاکم بر استوانه، مقادیر شاخصهای عملکردی و آلایندگی سیکل موتور را پیش بینی مینماید. با توجه به زمان حل نسبتا بالای مدلهای ترمو-سیالاتی موتور، استفاده مستقیم از این مدلها در شبیه سازیهای کنترلی موتور بواسطه زمان حل نسبتا زیاد، پاسخگوی نیاز مدلسازی کنترلی نخواهد بود. از اینرو، در این مقاله ابتدا مدل ترمودینامیکی موتور در یک نرمافزار تجاری تحلیل موتور توسعه داده شده و پس از صحه گذاری، نتایج مدل در ازای ورودیهای مختلف در قالب داده های ورودی-خروجی آماده شده است. به منظور افزایش غنای داده ها، از روش سبل بهمنظور تولید داده های ورودی به مدل ترمودینامیکی استفاده شده است. در ادامه مجموعه داده های تولید شده، به شبکه عصبی چندلایه آموزش داده شده است. با توجه به روند تغییرات پارامترهای خروجی، از دو شبکه عصبی مجزا به منظور پیشبینی پارامترها استفاده شده است. به منظور صحت سنجی مدل، نتایج حاصل از مدل با مقادیر تجربی در شرایط عملکردی تمامبار و میانبار مقایسه شده است. مقایسه نتایج حاصل از مدل توسعهیافته با مقادیر تجربی نشان میدهد، مدل شبکه عصبی میتواند شاخصهای عملکردی و آلایندگی موتور را در ازای ورودیهای مختلف در شرایط تمامبار و میانبار موتور را با دقت مناسب و در زمان بسیار کوتاه پیشبینی نماید و از اینرو میتواند در مدلهای مقدار میانگین توسعه یافته و نیز زینه بندی مدل مبنا موتور مورد استفاده قرار گیرد.

مدل فرآیند درون استوانه ای مدل مقدار میانگین توسعه یافته سامانه زمان بندی متغیر دریچه شبکه عصبی