Ocena stężenia tlenków azotu w gazach wylotowych silnika okrętowego za pomocą sztucznej sieci neuronowej

• Autorzy: Kowalski J.

Warianty tytułu

EN

The estimation of nitric oxides concentration in exhaust gas of marine diesel engine by artificial neural network

• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano wyniki badań nad oceną stężenia tlenków azotu (NOx) okrętowego silnika dwusuwowego. Zapisy Załącznika VI do Konwencji MARPOL nakładają na armatorów obowiązek okresowej oceny emisji NOx z silników okrętowych. W niektórych wypadkach może to być procedura bardzo kosztowna i niedokładna. Praca prezentuje badania nad możliwością oceny poziomu emisji NOx z zastosowaniem sztucznych sieci neuronowych (SSN), bez konieczności pomiarów bezpośrednich tych związków w gazach wylotowych silnika. W artykule przedstawiono metodę wyboru danych wejściowych do sieci, wpływających na poziom emisji NOx, różne konfiguracje SSN oraz wyniki obliczeń. Na dane wejściowe składa się 15 parametrów pracy silnika wpływających na poziom emisji NOx. Dane wyjściowe potrzebne do uczenia sieci to zmierzone stężenie NOx w gazach wylotowych. Podczas obliczeń wzięto pod uwagę dwa typy SSN: 3-warstwowe sieci perceptronowe (MLP) z liczbą neuronów w warstwie ukrytej między 10 a 20 oraz sieci o radialnych funkcjach bazowych (RBF) z liczbą neuronów w warstwie ukrytej między 10 a 80. Dane wejściowe, walidacyjne i testowe uzyskano poprzez pomiary bezpośrednie. Po procedurze konfiguracji wybrane SSN były uczone za pomocą metody wstecznej propagacji błędów oraz metody gradientów sprzężonych. Podczas tych operacji wagi neuronów były zmieniane w celu minimalizacji średniego błędu kwadratowego. Dzięki tym zabiegom uzyskano 4 sieci, pozwalające na ocenę poziomu emisji NOx z silnika laboratoryjnego z dokładnością odpowiadającą zapisom Załącznika VI do Konwencji MARPOL.

EN

This paper presents the preliminary investigations of nitric oxides (NOx) estimation from marine two-stroke engines. The Annex VI to Marpol Convention enforce to ship-owners of the necessity of periodical direct measurements of the NOx emission from the ship engines. It is very expensive procedure with a low accuracy. The presented investigations show the possibility of estimation the NOx emission without direct measurements but using the artificial neural network (ANN). The paper presents method of choice the input data influenced on NOx emission and configuration of ANN and effects of calculations. The input data contain 15 parameters of engine working, influencing on NOx emission. The output data, necessary to learning the network, were NOx concentration in engine exhaust gases. We take into account two types of ANN; the 3-layer perceptron (MLP) with number of neurons in the hidden layer from 10 to 20 and the radial basis function neural network (RBF) with number of neurons in the hidden layer from 10 to 80. The input, validation and verification data was obtained from laboratory tests. After procedure of network configuration, the chosen ANN was learned by back propagation and conjugate gradient methods. During this operation the weights of neurons were changed to minimize the root mean square error. We obtained four ANN's, which allow us to estimate the NOx emission from laboratory engine with accuracy, comparable with Annex VI regulations.

Słowa kluczowe

PL

silnik okrętowy; okrętowy silnik dwusuwowy; stężenie tlenków azotu; sztuczne sieci neuronowe

EN

marine diesel engine; marine two-stroke engines; nitric oxides concentration; Artificial Neural Networks

• Wydawca: Wydawnictwo Uniwersytetu Morskiego w Gdyni
• Czasopismo: Zeszyty Naukowe Akademii Morskiej w Gdyni
• Rocznik: 2009
• Tom: nr 60
• Strony: 73--83
• Opis fizyczny: Bibliogr. 30 poz., rys., tab.

Twórcy

autor

Kowalski J.

• Akademia Morska w Gdyni

Bibliografia

• 1. Barlow R.S., Karpetis A.N., Frank J.H., Scalar profiles and no formation in laminar opposed-flow partially premixed methane/air flames, Combustion and Flame, no. 127/2001, Elsevier Science Inc. 2001.
• 2. Bebara L., Kermesa V., Stehlika P., Canekb J., Oralc J., Low NOx burners-prediction of emissions concentration based on design, measurements and modeling, Waste Management, no. 22/2002, Elsevier Science Inc. 2002.
• 3. Blasco J.A., Fueyo N., Dopazo C., Ballester J., Modelling the temporal evolution of a reduced combustion chemical system with an artificial neural network, Combustion anf Flame, vol. 113, Elsevier, 1998.
• 4. Bowman C.T, Hanson R.K., Gardiner W.C., Lissianski V., Frenklach M., Goldenberg M., Smith G.P., Crosley D.R., Golden D.M., GRI-Mech 2.11 An optimized detailed chemical reaction mechanism for methane combustion and NO formation and re-burning, Topical Report Gas Research Institute 6/94–2/96.
• 5. Cerri G., Michelassi V., Monacchia S., Pica S., Kinetic combustion neural modelling integrated into computational fluid dynamics, Proc. Instn. Mech. Engrs, vol. 217 Part A, IMechE, 2003.
• 6. Curran H.J., Gaffuri P., Pitz W.J., Westbrook C.K., A comprehensive modeling study of n-heptane oxidation, Combustion and Flame, no. 114/1998, Elsevier Science Inc. 1998.
• 7. Egolfopoulos F.N., Validation of nitrogen kinetics in high pressure fames, Energy Conversion & Management, no. 42/2001, Elsevier Science Inc. 2001.
• 8. Hafner M., Schuler M., Nelles O., Isermann R., Fast neural networks for diesel engine control design, Control Engineering Practice, vol. 8, Pergamon 2000.
• 9. Heywood J. B., Internal Combustion Engine Fundamentals, McGraw-Hill 1988.
• 10. Heywood J.B., Sher E., The Two-Stroke Cycle Engine. Its Development, Operation, and Design, Taylor&Francis N.Y. 1999.
• 11. Interim Guidelines for the Application of the NOx Technical Code, IMO News, no. 1, 2000.
• 12. Kesgin U., Genetic algorithm and artificial neural network for engine optimisation of efficiency and NOx emission, Fuel, vol. 83, Elsevier 2004.
• 13. Konnov A.A., Development and validation of a detailed reaction mechanism for the combustion of small hydrocarbons, 28-th Symposium (Int.) on Combustion. Abstr. Symp. Pap. Edinburgh 2000.
• 14. Kowalski J., Tarelko W., Nitric Oxides emission estimation based on measuring of work parameters of ship two-stroke engine, Proceedings of 2nd International Conference on Marine Research and Transportation. Session C, Ischia Naples, Italy 2007.
• 15. Kuo K.K., Principles of combustion, Wiley, New Jersey 2005.
• 16. Kyrtatos N.P., Dimopoulos G.G., Theotokatos G.P., Tzanos E.I., Xiros N.I., NOx-box: A software sensor for real-time exhaust emissions estimation in marine engine, Proceedings of IMAM 2002, Athens 2002.
• 17. Lee S.H., Howlett R.J., Crua C., Walters S.D., Fuzzy logic and neuro-fuzzy modelling of diesel spray penetration: A comparative study, J. Intel. Fuz. Sys., vol. 18, IOS Press, 2007.
• 18. Lyle K.H., Tseng K.L., Gore J.P., Laurendeau N.M., A study of pollutant emission characteristics of partially premixed turbulent jet flames, Combustion and Flame, no. 116/1999, Elsevier Science Inc. 1999.
• 19. Masters T., Practical neural network recipes in C++, Academic Press Inc., 1993.
• 20. Oladsine M., Bloch G., Dovifaaz X., Neural modelling and control of a diesel engine with pollution constrains, J. Intel. Robotic Systems, vol. 41, Kluwer Academic Publishers 2004,
• 21. Parlak A., Islamoglu Y., Yasar H., Egrisogut A., Application of artificial neural network to predict fuel consumption and temperature for a diesel engine, Applied Thermal Engineering, vol. 26, Elsevier 2006.
• 22. Ramadhas A.S., Jayaraj S., Muraleedharan C., Padmakumari K., Artificial neural networks used for the prediction of the cetane number of biodiesel, Renewable Energy, vol. 31, Elsevier 2006.
• 23. Sayin C., Ertunc H.M., Hosoz M., Kilicaslan I., Canakci M., Performance and exhaust emissions of a gasoline engine using artificial neural network, Applied Thermal Engineering, vol. 27, Elsevier, 2007,
• 24. Shenvi N., Geremia J.M., Rabitz H., Efficient chemical kinetic modelling through neural network maps, Journal of Chemical Phisics, vol. 120, no. 21, American Institute of Physics, 2004.
• 25. Stephan V., Debes K., Gross H-M., Wintrich F., Wintrich H., A new control scheme for combustion processes using reinforcement learning based on neural networks, Int. J. Comput. Intel. Appl., vol. 1, no. 2, Imperial College Press 2001.
• 26. Thompson G.J., Atkinson C.M., Clark N.N., Long T.W., Hanzevack E., Neutal network modelling of the emissions and performance of heavy-duty diesel engine, Proc. Instn. Mech. Engrs., vol. 214, part D, IMechE 2000.
• 27. Wang S., Yu D.L., Adaptive RBF network for parameter estimation and stable air–fuel ratio control, Neural Networks, no. 21/2008, Elsevier Science Inc. 2008.
• 28. Wang W., Chirwa E.C., Zhou E., Holmes K., Nwagboso C., Fuzzy neural ignition timing control for a natural gas fuelled spark ignition engine, Proc. Instn. Mech. Engrs., vol. 215, part D, IMechE 2001.
• 29. Werbos P., Beyond regression: New tools for prediction and analysis in the behavioural sciences, Ph.D. Thesis, Harvard University 1974.
• 30. Yang H., Ring Z., Briker Y., McLean N., Friesen W., Fairbridge C., Neural network prediction of cetane number and density of diesel fuel from its chemical composition determined by LC and GC-MS, Fuel, vol. 81, Elsevier 2002.