Zastosowanie modelowania neuronowego do analizy wpływu depresatorów na lepkość surowego oleju rzepakowego

• Autorzy: Niedbała G. , Pilarski K.

Warianty tytułu

EN

The application of neural modelling to the influence's analysis of depressers on the viscosity of raw rapeseed oil

• Języki publikacji: PL

Abstrakty

PL

Celem pracy była budowa modelu neuronowego do analizy wpływu zastosowanych dodatków-depresatorów przeznaczonych do oleju napędowego, na lepkość kinematyczną surowego oleju rzepakowego. W pracy przedstawiono wyniki analiz zastosowanych depresatorów, które były dawkowane do 3% objętości, w różnych temperaturach otoczenia. Temperatury zostały tak dobrane, aby odzwierciedlały rzeczywiste warunki pracy silników w ciągnikach rolniczych i oscylowały od - 10°C do + 30°C (ze stopniowaniem o 5°C). Wytworzony model neuronowy miał za zadanie prognozować lepkość surowego oleju rzepakowego uwzględniając trzy parametry: rodzaj zastosowanego dodatku-depresatora, stężenie objętościowe oraz temperaturę otoczenia, w której mieszanina była poddawana badaniu na lepkość. Wyniki analizy wrażliwości sieci wskazały, że największy wpływ na lepkość ma temperatura otoczenia.

EN

The aim of the work was to build the neural model of analysis influences applied depressers of diesel oil on the viscosity of raw rapeseed oil. The analyse showed results applied depressers which were dosed to 3% volumes in the various temperatures of surroundings. The chosen temperatures showed the real conditions of the work of engines reflected in agricultural tractors and oscillated from -10°C to +30°C (with graduating about 5°C). There were three parameters predicted: kind applied depresatora, volumetric concentration and the temperature of the surroundings which in investigated viscosity of mixture. It results from the study that the temperature of surroundings had the largest influence on viscosity of raw rapeseed oil.

Słowa kluczowe

PL

olej rzepakowy; model neuronowy; depresator; biopaliwo; lepkość kinematyczna

EN

rapeseed oil; neural model; depresser; biofuel; kinematic viscosity

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2009
• Tom: R. 13, nr 9
• Strony: 331--336
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Niedbała G.

autor

Pilarski K.

• Instytut Inżynierii Rolniczej, Uniwersytet Przyrodniczy w Poznaniu,

Bibliografia

• Durbin T. D., Cocker III D. R., Sawant A. A., Johnson K., Miller J. W., Holden B. B. 2007. Regulated emissions from biodiesel fuels from on/off-road applications. Atmospheric Environment 41, s. 5647-5658.
• Durbin T. D., Norbeck J. M. 2002. Effects of biodiesel blends and Arco EC-diesel on emissions from light heavy-duty diesel vehicles. Environmental Science & Technology, 36. s. 1686-1691.
• Dzieniszewski G. 2008. Wybrane problemy stosowania biopaliw do zasilania silników z zapłonem samoczynnym. Inżynieria Rolnicza. Nr 10(108). Kraków. s. 39-45.
• Jackowska I., Krasucki W., Piekarski W., Tys J., Zając G. 2004. Rzepak z pola do baku. Państwowe Wydawnictwa Rolnicze i Leśne. Warszawa. ISBN 83-09-01781-2.
• Knothe G., Sharp C. A., Ryan T.W. 2006. Exhaust emissions of biodiesel, petrodiesel, neat methyl esters, and alkanes in a new technology engine. Energy & Fuels 20. s. 403-408.
• Mayer A., Czerwinski J., Wyser M., Mattrel P., Heitzer A. 2005. Impact of RME/diesel blends on particle formation, particle filtration, and PAH emissions. SAE Technical Paper 2005-01-1728.
• Ramadhas A.S., Jayaraj S., Muraleedharan C., Padmakumari K. 2006. Artificial neural networks used for the prediction of the cetane number of biodiesel. Renewable Energy 31. s. 2524-2533.
• Szlachta Z. 2002. Zasilanie silników wysokoprężnych paliwami rzepakowymi. Wydawnictwo Komunikacji i Łączności. Warszawa. ISBN: 83-20-61459-7.
• Wcisło G. 2008. Wyznaczenie wpływu temperatury na lepkość dynamiczną biopaliw roślinnych. Inżynieria Rolnicza. Nr 10(108). Kraków. s. 277-282.
• Wesołowski M., Suchacz B. 2001. Classification of rapeseed and soybean oils by use of unsupervised pattern-recognition methods and neural networks. Fresenius J Anal Chem 371 s. 323-330.