عنوان پایان‌نامه
بررسی پارامترهای مختلف احتراقی و ساختار شعله پیش مخلوط در یک محفظه احتراق پایدار شده چرخشی به همراه پاشش سوخت ثانویه
- رشته تحصیلی
- مهندسی هوا - فضا - جلوبرندگی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74166;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74166
- تاریخ دفاع
- ۲۱ بهمن ۱۳۹۴
- دانشجو
- محمد دانشی کهنی
- استاد راهنما
- روزبه ریاضی, شیدوش وکیلی پور تکلو
- چکیده
- چکیده اکوسیستم و زیستگاهها ( محیط های طبیعی و بیولوژیکی )، عمدتاً توسط فعالیت های انسانی، در معرض تخریب و فروپاشی قرارگرفته اند. این فعالیت ها، مهمترین عامل تهدیدکننده تنوع زیستی اند. آلودگی آب، خاک، هوا و ارگانیسم ها توسط آلاینده ها، شکل اصلی تجزیه و فروپاشی است. آلودگی به اشکال متفاوت نظیر رسوب، انتشار مواد شیمیایی، تجزیه کیفیت زیستگاه و .... نمایان می شود. توربین های گازی جزء پاک ترین تجهیزات تولید قدرت سوخت فسیلی هستند که به طور سود آوری قابل دسترس هستند. تکنولوژی های کنترل آلاینده های توربین گازی به تکامل یافتن ادامه می دهند و همان طور که تکنولوژی های جدید توسعه می یابند و جنبه تجاری پیدا می کنند، تکنولوژی های قدیمی تر به تدریج پایان می یابند. در رساله حاضر از تکنیک پردازش تصویر شعله جهت پیش بینی میزان آلایندگی Nox یک محفظه احتراق آزمایشگاهی با شعله پایدار شده چرخشی در شرایط پاشش سوخت ثانویه استفاده شده است. همانگونه که میدانیم تاکنون روشهایی برای پیش بینی پارامترهای یک سیستم احتراقی بر پایه تصویربرداری ارایه گردیده است. هدف از تمامی آنها استفاده از تکنیکهایی جهت تبدیل ویژگیهای هندسی و نورتابی استخراج شده از تصویر شعله به اطلاعات مرتبط با میدان احتراق است. در این مطالعه ارتباط بین تصاویر ثبت شده از شعله در نقاط مختلف عملکردی یک محفظه احتراق آزمایشگاهی با کاربرد در توربینهای گازی نیروگاهی، با مقادیر اندازه گیری شده سطح آلاینده NOx تولید شده در این نقاط عملکردی، به کمک پردازش تصویر شعله و بکارگیری سه روش شبکه عصبی و سه روش آماری متفاوت بررسی شده است. ویژگیهای مختلف استخراج شده از تصویر شعله بعنوان ورودی به شبکه عصبی LVQ ،نگاشت خودسازمانده (SOM (و MLP و روشهای آماری means-K ،KNN و LDA ارایه گردیده و بر این اساس محدوده مقادیر NOx مربوط به تصاویر شعله، پیش بینی شده و با مقادیر اندازه گیری شده از محفظه صحت سنجی میشود. سپس با استفاده از تکنیک انتخاب ویژگی توالی روبهجلو در هر کدام از الگوریتمهای ذکر شده، پنج ویژگی اصلی تصاویر شعله ها تعیین میشوند. آزمایشات مربوطه با بکارگیری چهار نوع انژکتور پاشش سوخت ثانویه، با ساختار هندسی و طراحی متفاوت، در شرایط نسبت همارزی کلی در محدوده 9/0 ~7/0 همراه با مقادیر مختلف دبی پاشش سوخت ثانویه در محدوده 2/4~0/0 لیتر بر دقیقه قبلا انجام شدهاند. نتایج نشان میدهند که شبکه عصبی LVQ جهت پیشبینی میزان آلایندگی NOx توانایی بالاتری نسبت به روشهای دیگر از خود نشان میدهد. کلمات کلیدی: محفظه احتراق با شعله پایدارشده چرخشی، پاشش سوخت ثانویه، شبکه عصبی مصنوعی، پیش بینی آلایندگی N
- Abstract
- Abstract So far, some methods have been presented for prediction of parameters of a combustion system based on the flame image processing techniques. Almost all of them use various techniques to convert the extracted geometrical and luminosity data of flame image into combustion information. Potentially, image of a flame includes many information in terms of different features which could be related to the combustion field. In this work, relations between recorded images taken from turbulent flames in a combustion chamber with measured values of NOx emission have been investigated using image processing techniques along with six methods of data mining. For this purpose geometrical, statistical and luminosity features extracted from flame images were used as input data for the various statistical and neural network methods such as k-means, KNN , LDA , LVQ, MLP and SOM. Based on these extracted features from flame images the neural networks predicted the level of NOx emission these predicted values were validated with the measured data of combustor. Moreover by using forward feature selection technique in each of the above-mentioned algorithms, five features were selected. The related experiments were already performed by using four different types of secondary fuel injectors (with four different designs) for an overall equivalence ratio between ?=0.7~0.9 along with different amount of secondary fuel injection rate in the range of Qsec=0.0~4.2 L/min. The results shows that between statistical methods, the KNN has better capability for prediction of the level of NOx emission and totally LVQ neural network is the best method using the extracted features from the flame images Keywords: Swirl-Stabilized Combustor, Secondary Fuel Injection, Artificial Neural Network, Self-Organized Map, LVQ
