[en] ASSESSEMENT OF MODELS BASED ON ARTIFICIAL NEURAL NETWORKS FOR PERFORMANCE ANALYSIS OF ENGINES AND GENERATORS

[pt] AVALIAÇÃO DE MODELOS BASEADOS EM REDES NEURAIS ARTIFICIAIS PARA ANÁLISE DE DESEMPENHO DE MOTORES E GERADORES

[pt] NAIARA RINCO DE MARQUES E CARMO

[pt] APRENDIZADO DE MAQUINA

[pt] MISTURAS DIESEL-BIODIESEL-ETANOL

[pt] BIOCOMBUSTIVEL

[pt] MOTORES DE COMBUSTAO INTERNA

[pt] GAS NATURAL

[en] MACHINE LEARNING

[en] DIESEL-BIODIESEL-ETHANOL MIXTURES

[en] BIOFUEL

[en] INTERNAL COMBUSTION ENGINE

[en] NATURAL GAS

[pt] Diante da crise ambiental dos dias atuais, desenvolver tecnologias de menor impacto negativo e promover ações de eficiência energética tornam-se imprescindíveis para conciliar produtividade e redução de emissões. Neste contexto, aprofundar-se no estudo de motores de combustão interna modelando seu funcionamento se apresenta como uma ferramenta bastante interessante, seja por ensaios em bancada ou modelagens. O presente trabalho buscou desenvolver modelos usando diferentes arquiteturas de Redes Neurais Artificiais (RNAs) para obter parâmetros de performance de Motores de Combustão Interna movidos a gás natural e a misturas de diesel – biodiesel – etanol. Para o primeiro caso, foram coletados dados de 5 motores visando a avaliação da eficiência térmica, consumo específico, temperatura de exaustão, e para o segundo a base de dados contempla um motor, sobre o qual foram avaliados, em acréscimo aos parâmetros mencionados, os coeficientes de compressão e expansão da politrópica, o consumo específico de etanol, a taxa máxima de liberação de calor e a pressão máxima. Para as redes que apresentaram melhores resultados, foram construídas superfícies de resposta a fim de analisar os modelos sobre a perspectiva do fenômeno que representam. Foi possível obter modelos com boa representatividade dos parâmetros mencionados (obtendo valores de R2 acima de 70 por cento para dados de treino e teste), exceto para os dois coeficientes da politrópica. Neste caso, embora os erros fossem relativamente satisfatórios, as superfícies de resposta atingiram extremos que não condizem com a teoria relacionada. Por outro lado, foi possível construir um modelo para a eficiência térmica a partir do consumo e abertura da válvula, com R2 de 99 por cento para treino e teste. Isto se explica pelo fato de que a primeira variável de entrada é parte da equação que calcula o parâmetro em questão, e a segunda está ligada à relação ar-combustível da mistura.

[en] Faced with the current environmental crisis, developing technologies with less negative impact and promoting energy efficiency actions are essential to reconcile productivity and emissions reduction. In this context, the study of internal combustion engines by modeling their operation presents itself as a very interesting tool, whether by bench tests or modeling. The present work aimed to develop models using different architectures of Artificial Neural Networks (ANNs) to obtain performance parameters of Internal Combustion Engines powered by natural gas and blends of diesel – biodiesel – ethanol. For the first case, 5 engines were considered to evaluate the thermal efficiency, specific consumption, exhaust temperature, and for the second case, the database includes an engine, on which, in addition to the mentioned parameters, the compression and expansion polytropic coefficients were evaluated, the specific consumption of ethanol, the maximum rate of heat release and the maximum pressure. For the networks that presented better results, response surfaces were made in order to analyze the models from the perspective of the phenomenon they represent. It was possible to obtain models with good representation of the mentioned parameters (obtaining R2 values above 70 percent for training and test data), except for the two polytropic coefficients. In this case, although the errors were relatively satisfactory, the response surfaces reached extremes that do not agree with the related theory. On the other hand, it was possible to build a model for thermal efficiency from consumption and throttle, with R2 of 99 percent for training and testing. This is explained by the fact that the first input variable is part of the equation that calculates this parameter, and the second is linked to the air-fuel ratio of the mixture.

FLORIAN ALAIN YANNICK PRADELLE

SERGIO LEAL BRAGA

JOSE ALBERTO DOS REIS PARISE

SERGIO LEAL BRAGA

FLORIAN ALAIN YANNICK PRADELLE

JANAINA SANT ANNA GOMIDE

2022-08-09

2022-05-20

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60087@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=60087@2

https://doi.org/10.17771/PUCRio.acad.60087