tsta

Home / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

روش نرم‌افزاری برای پیش‌بینی انتشار آلاینده اکسید نیتروژن با استفاده از معماری شبکه عصبی کانولوشنی عمیق

Authors :

فرناز حسینی¹

1- دانشگاه ملی مهارت تهران

Keywords :

: انتشار اکسید نیتروژن (NOx)،یادگیری عمیق،شبکه عصبی کانولوشنی (CNN)،حافظه کوتاه‌مدت بلندمدت (LSTM)،پیش‌بینی آلاینده‌ها،نرمال‌سازی داده‌ها

Abstract :

در این مطالعه، روشی نرم‌افزاری مبتنی بر یادگیری عمیق برای پیش‌بینی انتشار اکسید نیتروژن (NOx) در موتورهای دیزل دوگانه‌سوز ارائه شده است. مدل پیشنهادی ترکیبی از شبکه عصبی کانولوشنی (CNN) و لایه‌های حافظه بلندمدت کوتاه‌مدت (LSTM) می‌باشد که به منظور استخراج ویژگی‌های فضایی-زمانی از داده‌های عملکردی موتور طراحی شده است. ورودی‌های مدل شامل پارامترهای دینامیکی و ترمودینامیکی نظیر سرعت موتور، گشتاور، فشار و دمای سوخت، جریان هوا و زمان‌بندی پاشش است که پس از پیش‌پردازش و نرمال‌سازی مناسب، به مدل داده می‌شوند. این ساختار امکان پیش‌بینی دقیق و عددی مقدار انتشار NOx را بدون نیاز به مداخلات سخت‌افزاری یا تغییرات فیزیکی در موتور فراهم می‌آورد. نتایج آزمایش‌های عددی نشان‌دهنده عملکرد قابل‌قبول و قابلیت تعمیم‌پذیری مدل در شرایط متنوع کاری موتور بوده و این سامانه را به عنوان ابزاری مؤثر برای پایش و کنترل هوشمند آلاینده‌های موتورهای دیزل دوگانه‌سوز معرفی می‌کند.