外文翻译压缩天然气柴油双燃料发动机的排放物RBF神经网络的研究.docx
《外文翻译压缩天然气柴油双燃料发动机的排放物RBF神经网络的研究.docx》由会员分享,可在线阅读,更多相关《外文翻译压缩天然气柴油双燃料发动机的排放物RBF神经网络的研究.docx(10页珍藏版)》请在冰点文库上搜索。
外文翻译压缩天然气柴油双燃料发动机的排放物RBF神经网络的研究
附录B译文
压缩天然气/柴油双燃料发动机的排放物RBF神经网络的研究
LiuzhentaoFeishaomei
摘要:
为了解决严重的环境污染和能源资源的急剧下降,各国都已作出巨大努力。
中国的燃料储备和发动机技术的现状表明,压缩天然气(CNG)/柴油双燃料发动机是解决上述问题的最佳方案之一。
为了研究和提高天然气/柴油发动机,均衡器发射模型是基于径向基函数的排放性能(RBF)神经网络。
这是一个黑盒子输入输出数据模型,不需要先验条件。
RBF的中心和连接可自动选择,根据测试数据的分布和投入产出给定的空间以及近似误差。
研究表明,预测结果都符合了一个在低负荷运行条件下,大范围,高负荷的实验数据。
发达国家的排放量模型的RBF神经网络可以用来成功地预测和优化DFE排放量。
同时,该均衡器的主要性能参数,如转速,负荷,试点数量和喷射时间,效果也符合模型的预测方法。
在天然气/柴油发动机排放预测模型基于RBF神经网络的分析中,主要分析了对二氧化碳的主要性能参数的影响和内置的DFE-NO的排放量。
预测结果比较符合传统的排放模式,这表明该模型具有一定的应用价值,但由于其对实验样本数据量高度依赖,因此还有一定的局限性。
关键词:
双燃料发动机,排放性能,RBF神经网络
引言
由于严重的环境污染和世界各地的能源危机,开发降低能源消耗的汽车成为主要的研究目标。
天然气(CNG)发动机采用压缩空气为燃料,具有更高的效率和降低污染的突出优势。
该天然气/柴油均衡器专门为城市公交车也可明显降低城市空气污染,尤其是大城市。
因此,对均衡器燃烧过程的研究,特别是排放性能,是非常重要和宝贵的,在一般情况下,燃烧过程和发动机的机制所涉及的物理和化学合成的过程。
由于其复杂性和即时性,没有合适的解析函数来描述它的燃烧过程,特别是对均衡器。
在这个新的排放模型径向基函数中提出了天然气/柴油均衡器。
RBF神经网络理论
RBF神经网络的结构
特别是在神经网络RBF神经网络,已成为近年来受欢迎因为它出色的识别和预测能力。
径向基函数的RBF神经网络的基础上,通常是一个非线性径向对称函数。
高斯函数的径向基函数的核心功能,拥有两个向量参数x和C;X是自变量向量这个函数,C为核心
径向基函数。
越野形成一个与C为中心,是椭圆的半径椭圆函数。
基于RBF神经网络的神经元的功能是作为RBF神经网络调用。
RBF神经网络包括三个层次,第一层是输入层,其元素CON组,形式的输入参数的数量,第二层是隐层径向基函数的许多神经元组成;隐层节点的计算欧几里德之间的中心和网络的输入向量,然后距离的结果传递到径向基函数,最后一层是输出层组成的共同线性神经元。
RBF神经网络的工作结构如图1所示。
这种模式有R输入和P输出,与输入和输出之间的关系,这是模型如下:
基于RBF神经网络的工作原理
该网络结构见Fig.l;其中输入向量X=[aba2,...,aN],理想输出系列Yj(j=1,2.....P),实际输出系列Yj和重量在输出层Wij值可以得到的RBF神经网络,具有输入R和M隐藏节点和P输出。
选择高斯函数,Φ(x)=exp(-λx2),λ=3的径向基函数,实际输出系列Yj是由下列公式计算:
然后,Wii的权值调整,以满足下面的公式,从其中的RBF神经网络可以得到最终结果。
基于RBF神经网络的排放模型开发
模式的发展
由于有限的试验单位,该部分的甲烷数量无法获得,因此该模型只包括二氧化碳,NOz排放。
该模型的结构图1所示。
在这个模型中的输入输出关系如下:
输入层节点数被选择作为与输入参数相同的参数,R=4,输出层节点的数目是作为与输出参数相同的参数,P=2,E0被设置为0.15%。
试验数据是根据测试得出的,测试发动机的规格在表1中已经给出。
有100组以上的数据是在轻载低转速到高负载高转速下得出的,这是为了试验RBF神经网络,还有20组数据是在大范围工况试验下得出的,以验证模型。
通过使用实验数据对网络进行试验后,经过约15000个周期,总结平方误差可达0.15%。
于图2所示。
而隐层节点数M还证实,其中隐层节点数为11。
模型的验证
该模型也验证了一个双燃料发动机的规格:
DxS=108mmx125mm,额定功率/转速=112kW/2800转/分。
图3显示,模拟结果和一氧化碳的测试结果,第13个操作条件较好的排放量也分别表示,该模型也可以用于预测DFE的二氧化碳排放
基于模型的CO,NOx的排放预测
发展这一模型的目的是用它来预测均衡器的一氧化碳,氮氧化物排放量。
以下是由该模型对几种主要操作参数对二氧化碳,氮氧化物的排放量变化的影响。
旋转速度的影响
图4中在特定情况下旋转速度CO和NOx排放量的变化表明CO排放随转速增加。
这种情况发生是因为与燃烧时间缩短,提高转速情况下一氧化碳不能完全氧化。
然而,氮氧化物排放量随转速减少。
这是因为在早期减少热量输出和在汽缸因增加旋转速度减少。
因此,时间和氮在它缩短,降低温度,因此氮氧化物排放量减少。
CNG数量的影响
在特定工况下,CNG数量对CO和NOx排放影响如图5所示。
天然气的数量的影响同该引擎负荷有相同的效果,所以这里的发动机负荷是用来显示天然气的数量所引起的效果。
增加天然气数量增加了热输出和汽缸的最高温度。
因此,它在燃烧过程中充分完成,因此二氧化碳排放量减少和氮氧化物排放量增加。
试点的影响
在轻载状态下,试点数量对CO和NOx排放影响的效果如图6。
可以看出,氮氧化物排放量的变化并不明显,甚至增加试点的数量也是如此。
但二氧化碳排放量减少,因为在轻载状态下气缸中的天然气数量变小,因此,即使是试点数量,早期热输出和在气缸内的最高温度的升高,氮氧化物排放量的变化也不大,但由于氮氧化物由于激烈的氧化使CO的排放量减少。
在重载状态下,试点数量对CO和NOx排放影响的效果如图7。
可以看出,CO排放量相对于轻载状态下要少,NOx的排放量要相对于轻载状态下要高得多。
随着试点数量的增加和气缸内天然气的增加,二氧化碳排放量减少,氮氧化物排放量由于点火能量和总热量的增加而增加。
喷油定时的影响
在轻载荷状态下喷油定时对二氧化碳,氮氧化物排放量的影响如图8所示,表明与喷油定时的增加,二氧化碳排放量和氮氧化物排放量不同时增加或重新下降。
这意味着在轻载状态下有最佳喷射时间以使二氧化碳,氮氧化物排放量最少。
在图9可以看到在重载情况下有同样的结果。
模拟的结果表明(图8和图9)16°CA是在这个均衡器的最佳注射时间。
结论
在天然气/柴油双燃料发动机排放预测模型RBF神经网络工作的基础上,建立以供分析的一氧化碳,氮氧化物排放的DFE主要参数的影响。
模型模拟传统的排放量相一致的结果表明,该模型具有一定的应用价值。
该模型的验证也证明,模拟结果与试验数据吻合。
因此,该模型可以做为理论基础,以提出预测的性能和排放量。
在实践中,该模型可以被用来作为提高和优化均衡器参数的重要方法。
该模型仍然有它的局限性,因为它是以高度的实验样本数据数量为基础的。
附录C外文文献