TY - JOUR T1 - Modeling and Simulation of Combustion in SI Engines via Neural Networks and Investigation of Calibration and Data Acquisition in the GT-Power TT - مدلسازی و شبیه‌سازی احتراق در موتورهای اشتعال‌جرقه‌ای بوسیله شبکه‌های عصبی و همچنین بررسی کالیبراسیون و اکتساب داده‌ها در نرم‌افزار GT-Power JF - mdrsjrns JO - mdrsjrns VL - 14 IS - 13 UR - http://mme.modares.ac.ir/article-15-6947-fa.html Y1 - 2015 SP - 233 EP - 244 KW - Spark Ignition Engines KW - Control-Oriented Modeling KW - GT-Power Software KW - Artificial Neural Networks N2 - پیش‌نیاز بسیاری از فرآیندهای کنترلی، مدلسازی است. مدل مورد استفاده برای طراحی کنترلر، می‌بایست دقیق و دارای پاسخی سریع باشد. استفاده از روش‌های مرسوم مدلسازی، یعنی مدلسازی براساس حل (عددی) معادلات حاکم بر جریان سیال داخل محفظه احتراق، بسیار زمان‌بر بوده و برای یک هدف کنترلی مناسب نیستند. در این مقاله تلاش می‌شود تا احتراق در یک موتور اشتعال‌جرقه‌ای با استفاده از شبکه‌های عصبی، مدلسازی شود و مدلی دقیق و در عین حال سریع برای احتراق بدست آید. هر فرآیند آموزش شبکه‌های عصبی، نیازمند اکتساب داده‌های آزمایشگاهی است. از طرف دیگر، فرآیندهای تست موتور، بسیار پرهزینه بوده و جداول داده‌های تست موجود (در صنعت) نیز برای آموزش شبکه‌های عصبی کافی نیستند. در این مقاله، ابتدا با استفاده از یک نرم‌افزار CFD، مدلی یک‌بعدی از موتور تهیه و براساس داده‌های واقعی تست موجود کالیبره و صحه‌گذاری می‌گردد. سپس با استفاده از مدل صحه‌گذاری شده CFD، فرآیند اکتساب داده‌های مورد نیاز اجرا می‌شود. به دلیل عدم دسترسی به ضرایب و داده‌های آزمایشگاهی مورد نیاز، کالیبراسیون مرحله‌ای پیچیده و بسیار زمان‌بر است. در اینجا تلاش شده است تا به شیوه‌ای علمی، کالیبراسیون مدل موتور در نرم‌افزار GT-Power اجرا و بیان گردد. در مرحله بعد، پس از بررسی اجمالی روش‌های به کار رفته در طراحی شبکه‌های عصبی، مدلسازی فرآیند احتراق بیان می‌شود. در نهایت، پاسخ‌های مدل شبکه عصبی با نتایج حاصل از نرم‌افزار GT-Power مقایسه شده و دقت بالای مدل نشان داده می‌شود. M3 ER -