[pt] O objetivo deste trabalho é predizer e otimizar o desempenho de motores
funcionando no modo bicombustível, diesel-gás natural, fazendo uso da
inteligência artificial. Pretende-se determinar a taxa de substituição ótima do
combustível original diesel pelo gás natural que minimize custos de operação
(combustíveis) e emissões de poluentes, tais como: monóxido de carbono, CO,
hidrocarbonetos, HC, e óxidos de nitrogênio, NOx, priorizando-se também a
eficiência térmica. Os dados analisados foram obtidos de testes anteriormente
realizados. O procedimento envolve treinamento, validação e teste (utilizando
redes neurais). Com os dados analisados foram treinadas diferentes redes neurais
06 para a aprendizagem e predição, as quais vão prever mapas de novos valores
baseando-se nos dados experimentais já apreendidos. Finalmente, e continuando
com o processo de otimização (técnica de Algoritmos Genéticos), é determinada a
melhor taxa de substituição de diesel-gás natural, com as menores taxas de
emissões dentro dos mapas gerados. Os resultados indicam uma boa concordância
entre os dados experimentais e os previstos pela rede neural. O processo de
otimização utilizado determina os pontos de trabalho adequados para cada caso
analisado. / [en] The purpose of this study is to predict and optimize the internal combustion
engine performance using diesel-natural gas fuel using the artificial intelligence.
The ultimate goal is to determine the optimal substitution rate of natural gas to
minimize the costs of operation and pollutants emissions such as carbon
monoxide CO, hydrocarbons HC and nitrogen oxides NOx, considering the values
of efficiency. The analyzed data are obtained from tests performed earlier. The
procedure involves training, validation and test (using neural networks). Once
these data were analyzed with different trained neural networks for learning and
prediction, which are maps of the predicted values based on experimental data
have been seized. Finally, and continuing with the process of optimization
(technique of Genetic Algorithms), is given the best substitution rate of and lower
emissions in the maps generated. The results indicate a good agreement between
data and neural network, the process of optimization using certain items of work
appropriate for each case analyzed.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:14548 |
| Date | 04 November 2009 |
| Creators | MIGUEL ANGEL LEON MOZO |
| Contributors | SERGIO LEAL BRAGA |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | TEXTO |
Page generated in 0.0023 seconds