基于人工智能的预测和多目标RSM优化,使用Elaeocarpus Ganitrus的Tectona grandis生物柴油

科学领域:

• 可持续能源 可持续能源
• 内部燃烧发动机 内部燃烧发动机
• 生物柴油优化的优化

背景情况:

• 在引擎性能调整中,元启发式优化算法未得到充分利用.
• 生物柴油燃料提供了一个可持续的替代品,但需要对效率和排放进行优化.
• 带有Elaeocarpus Ganitrus添加剂的Tectona Grandis (木) 生物柴油提出了一种新的方法.

研究的目的:

• 将基于实验设计的响应表面方法 (RSM) 与对发动机性能进行元启发式优化相结合.
• 评估先进的机器学习 (ML) 模型来预测发动机特性.
• 确定最佳的生物柴油混合物,以提高性能和减少排放.

主要方法:

• 使用响应表面方法 (RSM) 结合元启发式优化.
• 使用的机器学习模型:人工神经网络 (ANN),K-最近邻居 (KNN),极端梯度增强 (XGB) 和随机树 (RT).
• 研究的Tectona Grandis生物柴油 (TB20) 含有不同量的Elaeocarpus Ganitrus添加剂.

主要成果:

• 人工神经网络 (ANN) 显示出比RSM更高的预测准确性.
• 确定的最佳配方是TB20与5毫升的Elaeocarpus Ganitrus添加剂 (TB20+R5).
• 这种混合物实现了最高的制动热效率和最低的制动特定燃油消耗,这一点通过可取性分析 (0.9282) 得到证实.

结论:

• 混合优化方法有效提高生物柴油性能和排放.
• 最佳的Teak生物柴油混合物为内燃机提供了一个可持续的解决方案.
• 这项研究有助于推进可持续能源实践,而无需对发动机进行修改.