عنوان پایان‌نامه
بررسی، مدلسازی و پیش بینی پارامترهای عملکردی یک موتور توربین گاز آزمایشگاهی
- رشته تحصیلی
- مهندسی هوا - فضا - جلوبرندگی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72584
- تاریخ دفاع
- ۱۲ بهمن ۱۳۹۴
- دانشجو
- ایمان کلینی
- استاد راهنما
- روزبه ریاضی, شیدوش وکیلی پور تکلو
- چکیده
- در این رساله، ارتباط بین مقادیر دمای گاز خروجی از توربین یک موتور میکروتوربین گاز آزمایشگاهی نسبت به تغییرات پارامتر دور عملکردی موتور، با کمک دو روش داده کاوی مختلف بررسی شده است. در واقع پارامتر دمای گاز خروجی از توربین به عنوان مقدار خروجی اندازه گیری شده از موتور و همچنین پارامتر دور عملکردی موتور به عنوان متغیر ورودی موتور در نظر گرفته شده است. با توجه به فیزیک شدیدا غیرخطی دمای گاز خروجی از توربین موتور و لزوم درک هرچه بهتر ارتباط بین این پارامتر با پارامتر دور عملکردی موتور، استفاده از مدل های هوش مصنوعی و رگرسیون بسیار مورد توجه می باشد. بدین منظور از شبکه عصبی پرسپترون یک لایه و دولایه و همچنین شبکه عصبی شعاعی به همراه روش رگرسیون چندجمله ای (از درجه اول تا درجه ششم)، برای پیش بینی رابطه غیرخطی موجود بین پارامتر ورودی و خروجی اندازه گیری شده از موتور استفاده شده است. آزمایش های مربوطه با به کارگیری یک موتور میکروتوربین گاز آزمایشگاهی با مقادیر دور عملکردی در محدوده 108000~0 دور بر دقیقه انجام گرفته است. موتور مورد بررسی در این رساله، موتور میکروتوربین گاز آزمایشگاهی اُلیمپوس با استارت الکتریکی می باشد که در بسیاری از مراکز تحقیقاتی و دانشگاه های مختلف برای انجام فعالیت های آزمایشگاهی و تحقیقاتی مورد استفاده قرار می گیرد و ماکزیمم تراستی معادل با 230 نیوتن ایجاد می کند. نتایج حاصل از پیش بینی دمای گاز خروجی از توربین با روش های داده کاوی مذکور نشان می دهند که این روش ها توانایی قابل قبولی در دست یابی به تطابق مناسب بین مقادیر اندازه گیری شده و پیش بینی شده دمای گاز خروجی از توربین دارند. نتایج حاکی از آن است که روش پرسپترون دولایه در مقایسه با روش های پرسپترون یک لایه، شبکه شعاعی و رگرسیون، توانایی بیشتری در پیش بینی پارامتر عملکردی موتور در این رساله (دمای گاز خروجی از توربین) دارد. از سوی دیگر با مقایسه نتایج حاصل از اعمال روش شبکه عصبی و روش رگرسیون چندجمله ای می‌توان نتیجه گرفت که روش شبکه عصبی، دقت بالاتری در پیش‌بینی دمای گاز خروجی از توربین موتور دارد. همچنین در بین مدل های مختلف رگرسیون چندجمله ای به کار گرفته شده در این رساله، مدل رگرسیون چندجمله ای مرتبه سوم از دقت بالاتری جهت مدل سازی و پیش بینی دمای گاز خروجی از توربین موتور برخوردار می باشد.
- Abstract
- In this study, the relation between the amount of Exhaust Gas Temperature (EGT) of an experimental gas turbine engine and the parameter of engine rotational speed (RPM) was investigated by using two different data mining approaches. In fact, the exhaust gas temperature and engine rotational speed were considered as the measured output and input parameters of the engine, respectively. Due to nonlinear behavior of exhaust gas temperature of the engine with variation of RPM and the need for better understanding of the relations between these parameters, artificial intelligence and regression models were employed in this investigation. For this purpose, Multilayer Perceptron (MLP) and Radial Basis Function (RBF) Neural Networks as well as Multiple-Polynomial Regression (MPR) (from the first degree up to the sixth degree) techniques were employed to provide a proper estimation on the nonlinear relation between the input and output of the engine. The related experiments were already performed by using an experimental micro gas turbine engine with an engine rotational speed in the range of 0 ~ 108000 RPM. The experimental engine in this study was AMT Olympus HP E-Start micro gas turbine engine that is used in various educational and research centers around the world and this engine is capable of producing maximum thrust of 230 Newton. The results show that, in general, both the ANN and MPR approaches have good predicting capability for estimating exhaust gas temperature values. Comparing the three data mining methods of MLP neural network, RBF neural network and MPR, the results indicate that the MLP neural network with two hidden layers has better predicting capability for estimating the operating parameter of the engine (i.e., the exhaust gas temperature in this study) than the RBF neural network and the MPR method. Also the results of using the ANN and MPR approaches show that the degree of agreement between the predicted and measured values of exhaust gas temperatur
