使用响应表面优化和人工神经网络预测开发氨-生物柴油双燃料燃烧发动机的注入策略图

科学领域:

• 燃烧发动机技术技术 燃烧发动机技术
• 其他替代燃料 替代燃料
• 发动机校准和优化工作

背景情况:

• 压缩点火 (CI) 发动机对于运输和工业至关重要.
• 使用氨和生物柴油的双燃料燃烧为化石燃料提供了一个有希望的替代方案.
• 优化燃料注入策略是最大限度地提高CI发动机的效率和最小化排放的关键.

研究的目的:

• 为了校准 40% 氨和 60% 生物柴油的双燃料发动机的分割注射参数.
• 为了确定最佳的注射时间,角度和试点燃料质量,以提高发动机性能.
• 使用响应表面方法 (RSM) 和人工神经网络 (ANN) 模型预测和验证发动机性能.

主要方法:

• 利用响应表面方法 (RSM) 来优化分割注射参数.
• 开发了一个人工神经网络 (ANN) 模型,用于预测引擎响应.
• 在80%负载和1500rpm时实验验证校准的发动机图.

主要成果:

• RSM优化确定了最佳参数:54°CA bTDC注射时间,19°CA bTDC主要注射角度和42%的飞行员质量.
• 优化的校准图增加了12.33%的制动热效率 (BTE),并减少了6.60%的特定燃料消耗 (BSFC).
• 观察到HC (15.68%),CO (21.40%),烟雾 (18.82%) 和废气温度 (EGT) (17.24%) 的显著降低,NOx增加了15.62%.

结论:

• RSM和ANN模型有效地优化并预测了氨-生物柴油双燃料发动机的分割注射参数.
• 优化的校准图显示了引擎效率的大幅提高和有害排放的减少.
• 预测ANN模型显示高准确度 (R2>0.99) 可接受的实验验证错误 (1.03-2.86%).