بخشی از مقاله
چکیده
استفاده از روشهای مدلمبنا در طراحی و توسعه محصولات قوای محرکه خودرو رو به گسترش است. بهرهگیری از روشهای مدل مبنی در طراحی سامانههای کنترلی موتور، بهینهسازی و زینهبندی موتور و تحلیل حساسیت موتور، مستلزم در اختیار داشتن مدلهای دقیق و در عین حال سریع میباشد. در این مقاله، مدل فرآیند درون سیلندری موتور بنزینی تنفس طبیعی مجهز به سامانه زمانبندی متغیر پیوسته دریچه هوا با هدف استفاده در مدل مقدار میانگین توسعهیافته و نیز فرآیند زینهبندی مدل مبنای موتور توسعه داده شده است. مدل فرآیند درونسیلندری، مدل ترمو-سیالاتی استاتیکی است که با اخذ شرایط مرزی حاکم بر سیلندر، مقادیر شاخصهای عملکردی و آلایندگی سیکل موتور را پیشبینی مینماید. با توجه به زمان حل نسبتاً بالای مدلهای ترمو-سیالاتی موتور، استفاده مستقیم از این مدلها در شبیهسازیهای کنترلی موتور - بواسطه زمان حل نسبتاً بالا-، پاسخگوی نیاز مدلسازی کنترلی نخواهد بود.
از اینرو، ابتدا مدل ترمودینامیکی موتور در یک نرمافزار تجاری تحلیل سیکلهای موتورتوسعه داده شده و پس از صحهگذاری مدل مزبور، نتایج مدل در ازای ورودیهای مختلف در قالب دادههای ورودی- خروجی آماده شده است. در ادامه مجموعه دادههای تولید شده، به یک شبکه عصبی چندلایه آموزش داده شده است. مقایسه نتایج حاصل از مدل توسعهیافته با مقادیر تجربی نشان میدهد، مدل شبکه عصبی میتواند شاخصهای عملکردی و آلایندگی موتور در ازای ورودیهای مختلف در شرایط تمام بار 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 زینهبندی مدل مبنا مورد استفاده قرار گیرد.
کلیدواژهها: مدل فرآیند درونسیلندری، مدل مقدار میانگین توسعه یافته، سامانه زمانبندی متغیر دریچه، شبکه عصبی
مقدمه
افزایش چشمگیر استفاده از قوای محرکه مبتنی بر سوختهای فسیلی در خودروها از یک سو و توجه به آلایندههای تولیدی و مصرف سوخت موتورهای احتراق داخلی، موجب شده تا تلاشهای گستردهای در زمینه کاهش مصرف سوخت و آلایندههای موتورهای احتراق داخلی صورت پذیرد. شناخت رفتار موتور و آگاهی از نحوه و شدت تاثیر پارامترهای ورودی بر پارامترهای خروجی موتور، میتواند پژوهشگران حوزه زینهبندی و بهینهسازی موتور را در بهبود عملکرد موتور یاری بخشد. درک رفتار موتور بعنوان یک سیستم پیچیده و دارای زیرسامانههای متعدد مستلزم ملحوظ نمودن فرآیندهای مختلف از جمله فرآیندهای چندراهه، اختلاط سوخت و هوا، جریانهای ورودی و خروجی به سیلندر، جریان سیال درون سیلندر و ساز و کار احتراق است. با توسعه فناوری کنترلی و به تبع آن افزایش تعداد پارامترهای ورودی به موتور، دستیابی به درک مناسب از نحوه و میزان تاثیر پارامترهای متعدد ورودی بر شاخصهای عملکرد و آلایندگی موتور نیازمند آزمونهای گسترده، زمانبر و هزینهبر خواهد بود .[1]
از این رو توسعه مدلهایی که بتواند با دقت مناسب، اثر پارامترهای ورودی را بر شاخصهای خروجی شبیهسازی نماید از اهمیت بالایی برخوردار است.در سالهای اخیر با پیشرفتهایی که در زمینه توسعه رایانههای قدرتمند حاصل شده است، امکان استفاده از ابزارهای تحلیلگر عددی به منظور اجرای مدلهای پیچیده از موتور میسر شده است. به موازت ارتقاء قابلیتهای رایانه، مدلهای دقیقی نیز از عملکرد فرآیندهای مختلف موتور توسط پژوهشگران مدنظر قرار گرفته است .[2] مدلهای عملکردی موتور بسته به درجه پیچیدگی و با ملحوظ نمودن پدیدههای فیزیکی موتور و بر اساس قوانین ترمودینامیکی، سیالاتی، احتراقی و انتقال حرارتی موتور، عملکرد موتور را شبیهسازی مینمایند. مدلهای ترمودینامیکی-احتراقی موتور بر حسب ابعاد فضایی دو گروه تقسیم میشود:
.1 مدلهای چندبعدی که بصورت همزمان میدان جریان سوخت و هوا در سیلندر را به همراه سینتیک شیمیایی جریان واکنش دهنده موتور مدنظر قرار داده و عموماً بر اساس دینامیک سیالات محاسباتی، عملکرد موتور از لحاظ تولید فشار و دمای داخل سیلندر را شبیهسازی مینمایند .[3] این مدلسازی، هرچند قابلیت مناسبی در شبیهسازی عملکرد موتور از لحاظ کارآیی و آلایندگی دارد، لیکن نیازمند زمان زیادی جهت حل عددی میباشد. .2مدلهای ترمودینامیکی که خود به دو دسته روش تک ناحیهای و روش چند ناحیهای تقسیم میشود که در مقایسه با روشهای چندبعدی زمان اجرای کمتری دارند ولی در مقایسه با مدلهای چندبعدی، عملکرد ضعیفتری در پیشبینی عملکرد و بخصوص آلاینده ها از خود نشان میدهند.
مدلسازیهای مزبور، هرچند نسبت به انجام آزمونهای موتوری هزینه ناچیزی در بر دارد، لیکن در برخی موارد نظیر بکارگیری در مدلهای کنترلی، بهینهسازی موتور و تحلیل حساسیت موتور، بواسطه زمان نسبتاً طولانی حل، کارآیی مناسبی ندارد. از اینرو، تلاشهایی به منظور مدلسازی عملکرد موتور با استفاده از روشهای مبتنی بر محاسبات نرم، توسط پژوهشگران صورت گرفته است. استفاده از روشهای محاسبات نرم، ضمن حفظ دقت در مدلسازی، زمان اجرا را تا حد قابل توجهی کاهش میدهد. ایجاد مدلهای مبتنی بر محاسبات نرم، جهت آموزش نیازمند داده میباشد؛ دادههای مزبور معمولاً از طریق انجام آزمونهای محدود روی موتور یا تولید داده توسط مدلهای ترمودینامیکی یا چندبعدی صورت میپذیرد.
روشهای شبکه عصبی توانایی خود را در حل سامانه های پیچیده غیرخطی به اثبات رساندهاند تحقیقات گستردهای برای توسعه این گونه روشها در سالهای اخیر صورت گرفته است.گلچو و همکاران از شبکه عصبی به منظور بررسی تاثیر زمان بندی دریچه بر عملکرد و مصرف سوخت موتور استفاده کردند. ایشان از دادههای تجربی موتور به منظور آموزشی شبکه عصبی بهره بردند. بر اساس نتایج آنها شبکه عصبی قابلیت مناسبی در پیشبینی عملکرد و آلایندههای موتورهای بنزینی نشان میدهد .[4]سایین و همکاران در پژوهش خود بمنظور پیشبینی مصرف سوخت ویژه ترمزی، دما گازهای خروجی و آلایندههای یک موتور بنزینی از شبکه عصبی استفاده نمودند.
نتایج نشان داد می توان از شبکه عصبی بمنظور پیشبینی دقیق عملکرد و انتشار گازهای خروجی موتور بنزینی به عنوان جایگزینی برای تکنیکهای مدلسازی کلاسیک استفاده کرد .[5]وُنگ و همکاران در پژوهشی دیگر، با استفاده از ترکیب روش کمیته مربعات و ماشین بردار پشتیبانی1 گشتاور و توان تولیدی موتور را بر اساس پارامترهای ورودی موتور مدل سازی نمودند.[6] آنها از مدل توسعه داده شده به منظور زینهبندی موتور استفاده نمودند. آنها به منظور آموزش ماشین بردار پشتیبان از دادههای حاصل از آزمون موتور استفاده نمودند. نتایج پژوهش ایشان نشان داد، روش مورد استفاده میتواند عملکرد موتور از لحاظ تولید گشتاور و توان را بخوبی پیشبینی نماید.
کِسگین در پژوهش خودر به منظور کاهش آلایندههای موتور از شبکه عصبی به همراه الگوریتم ژنتیک استفاده نمود .[7] او ابتدا با استفاده از یک مدل سینتیک شیمیایی واکنش توسعه، تولید آلاینده اکسیدهای ازت را در شرایط مختلف عملکرد موتور مدلسازی نمود و سپس نتایج حاصله را به یک شبکه عصبی آموزش داد. در نهایت با استفاده از الگوریتم ژنتیک به بهینهسازی پارامترهای عملکردی موتور به منظور کاهش آلاینده اکسید ازت پرداخت.شماری از تحقیقات انجامشده روند مشابهی را به منظور استفاده در فرآیند تحلیل حساسیت [8]، زینهبندی [9] و نیز ایجاد مدل توسعهیافته مقدار میانگین موتور [10] را نشان میدهد. نتایج پژوهشهای مزبور نشان میدهد، استفاده از شبکه عصبی در مدلسازی عملکرد احتراقی موتور، توانسته بخوبی نیازهای مدلسازی را مرتفع نماید.
در این پژوهش به منظور ایجاد مدل پدیده درونسیلندری موتور بنزینی تنفس طبیعی مجهز به سامانه زمانبندی متغیر دریچه هوا، ابتدا با استفاده از مدلسازی ترمودینامیکی و صحهگذاری آن با نتایج تجربی، دادههای مورد نیاز ایجاد گردیده و سپس با استفاده از یک شبکه عصبی با ساختار مناسب و استفاده از روش آموزش متناسب، دادههای مورد اشاره به یک شبکه عصبی آموزش داده شده است. از آنجا که مدل شبکه عصبی قابلیت پیشبینی شاخصهای کارآیی و آلایندگی موتور را در زمان بسیار کوتاه دارا میباشد، لذا میتواند در توسعه یک مدل کنترلی از موتور، زینهبندی و بهینهسازی موتور و تحلیل حساسیت موتور مورد استفاده قرار گیرد.در ابتدا، مدلسازی ترمودینامیکی موتور مورد اشاره قرار گرفته است، پس از صحهگذاری مدل با نتایج تجربی روش استحصال دادههای حاصل از مدل ارائه شده است. در ادامه ساختار شبکه عصبی و آموزش دادههای مدنظر قرار گرفته و در نهایت نتایج حاصل از مدلسازی شبکه عصبی با نتایج آزمون موتور مقایسه شده است.
مدل پدیدههای درونسیلندری
به یقین یکی از مهمترین زیرسیستمهای موتور، سیستم پدیدههای درونسیلندری است. این سیستم وقایع داخل سیلندر، از زمان ورودی هوا به راهگاه، عبور هوا از کنار دریچههای ورودی، جریانهای درونسیلندر، فرآیند تراکم، پاشش سوخت، احتراق، تولید آلایندهها وگشتاور، انتقال حرارت گازهای محترق به دیوارههای سیلندر، خروج محصولات از کنار دریچه خروجی و انتقال حرارت در راهگاهها را شامل میشود. چنانکه پیش از این مطرح شد، هدف از انجام این پژوهش توسعه یک مدل استاتیکی از فرآیند درونسیلندری که مطابق تئوری مدل مقدار میانگین [10]، قابلیت استفاده در مدلهای دینامیکی موتور را دارا باشد.
بر اساس مدل پدیدههای درونسیلندری، ورودیها شامل پارامترهای مرزی حاصل از سایر سیستمها نظیر سیستم هوارسانی، تخلیه، سیستم اینرسی و سیستم پاشش سوخت است. خروجی این سیستم نیز به صورت ورودی برای سایر سیستمها یا خروجیهای کلی سیستم مطرح میباشند.چنانکه مطرح شد که سیستم پدیدههای درونسیلندری یک سیستم استاتیکی غیرخطی درنظر گرفته شده است. به زبان دیگر، مدلسازی پدیدههای درون سیلندری، دستیابی به یک تابع چند ورودی-چند خروجی است. ورودیها و خروجیهای تابع مزبور در جدول 1 نشان داده شده است. همانطور دیده میشود، مدل شبه استاتیکی موتور دارای 7 ورودی و 5 خروجی است.
