عنوان پایان‌نامه
پیش بینی دینامیک احتراق در یک محفظه احتراق آزمایشگاهی با شعله پایدار شده چرخشی مغشوش در شرایط پاشش سوخت ثانویه
- رشته تحصیلی
- مهندسی هوا - فضا - جلوبرندگی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66494;کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 164
- تاریخ دفاع
- ۱۳ دی ۱۳۹۳
- دانشجو
- محمد اسراردل
- استاد راهنما
- مازیار شفائی روشنی, روزبه ریاضی
- چکیده
- در این رساله، پیش‌بینی دینامیک احتراق در یک محفظه احتراق آزمایشگاهی با شعله پایدار شده چرخشی مغشوش در شرایط پاشش سوخت ثانویه، با دو رویکرد مختلف موردبررسی قرار گرفته است. با توجه به فیزیک شدیداً غیرخطی پدیده احتراق و لزوم درک هرچه بهتر ارتباط مابین پارامترهای توصیف‌کننده آن، استفاده از مدل‌های رگرسیونی و هوش مصنوعی بسیار موردتوجه می‌باشند. پارامترهای موردبررسی در این رساله شامل، نوسانات فشار احتراق، سطح نویز احتراق و سطح آلاینده NOx می‌باشند. در رویکرد اول هدف، ایجاد مدل‌هایی برای توصیف ارتباط مابین پارامترهای احتراق می‌باشد و در این راستا نتایج حاصل از پیش‌بینی‌ها با نتایج اندازه‌گیری شده آزمایشگاهی مقایسه شده است. برای نیل به این هدف از دو روش متداول پاسخ سطح و شبکه عصبی مصنوعی استفاده شده است. مدل‌های مختلفی برای چندجمله‌ای پاسخ سطح مورد ارزیابی قرارگرفته است. همچنین دو معماری متفاوت برای شبکه عصبی مصنوعی جهت مدل‌سازی دینامیک احتراق با نگرش جعبه سیاه، مورد بررسی قرار گرفته است. در این میان، چندجمله‌ای پاسخ سطح مرتبه دوم در مقایسه با سایر روش‌های پاسخ سطح مبتنی بر چندجمله‌ای، از دقت بالاتری برای مدل‌سازی و پیش‌بینی دینامیک پارامترهای احتراق برخوردار بود. همچنین نشان داده‌شد که شبکه عصبی با معماری دولایه مخفی، در مقایسه با شبکه عصبی با معماری تک‌لایه، از قابلیت بالاتری برای پیش‌بینی پارامترهای احتراقی برخوردار بود. در رویکرد دوم هدف، پی‌ریزی یک سیستم هوشمند یادگیر برای نظارت بلادرنگ بر تحولات پارامترهای احتراق با استفاده از خصوصیات تصویر شعله می‌باشد. داده‌های موردنظر از تصویر شعله آشفته در شرایط پاشش سوخت ثانویه از محفظه احتراق مذکور اخذ شده است. دو گروه ویژگی با رویکردهای ویژگی‌های آمار مبنا و ویژگی‌های منسوب به هندسه، از تصویر شعله استخراج شده‌اند. ویژگی‌های موردنظر با استفاده از روش‌های پردازش تصویر و آستانه‌گذاری تصاویر، متناظر با پارامترهای احتراق گروه‌بندی شده‌اند. برای ایجاد سیستم هوشمند یادگیر، از الگوریتم‌های مختلفی همچون، شبکه عصبی پرسپترون، شبکه عصبی شعاع مبنا، درخت تصمیم و ماشین پشتیبان بردار استفاده شده است. برای افزایش راندمان کلاس‌بندی توسط الگوریتم‌های مذکور از حیث سرعت فرایند آموزش و همچنین دقت کلاس‌بندی سطوح کیفی پارامترهای احتراق، با استفاده از روش انتخاب ویژگی رپر ، شایسته‌ترین زیرمجموعه‌ها برای توصیف هریک از کلاس‌های پارامترهای احتراق از فضای ویژگی کلی، انتخاب شده‌اند. با استفاده از زیرمجموعه ویژگی‌های یافت شده، الگوریتم‌های موردنظر مورد آموزش قرار گرفتند تا سیستم هوشمند بهینه موردنظر برای نظارت بلادرنگ بر تحولات پارامترهای محفظه احتراق پی‌ریزی شود. مطالعات نشان داد که ویژگی‌های آماری منتسب به تصویر شعله، توانایی بیشتری برای ایجاد تمایز مابین کلاس‌های مختلف سطوح کیفی پارامترهای احتراق دارند.
- Abstract
- In this dissertation, combustion dynamics of an experimental turbulent swirl stabilized combustor with secondary fuel injection was studied using two different approaches regarding the combustor parameters and flame images. In the first approach (i.e., regarding the prediction of measured combustor parameters) it should be mentioned that due to strong nonlinear physics of combustion phenomena and the need for better understanding of the relations between the combustor parameters, complicated regression models and artificial intelligence were employed in this investigation. The combustion parameters which have been already measured are; the Noise Level of combustor, level of Pressure fluctuations in the combustion chamber and amount of Emission index (i.e., the amount of NOx emission). Artificial Neural Network (ANN) and Multiple Polynomial Regression (MPR) techniques were used to predict the nonlinear relations between the inputs and outputs of the combustor. It should be also noted that, NOx emission, noise level, and level of pressure fluctuations were considered as the output quantities of the experimental swirl-stabilized combustor and two independent variables of overall equivalence ratio (?) and secondary fuel injection rate (Qsec), were assumed as its input quantities. The related experiments were already carried out using four different types of secondary fuel injectors with an overall equivalence ratio (?) in the range of 0.7~0.9 along with different amount of secondary fuel injection rate between Qsec= 0.6 and 4.2 L/min. The results indicate that both the ANN and MPR methods have lower predicting capability for estimation of noise level and the level of pressure fluctuations compared with that of the emission index. Also the results of using the ANN and MPR approaches show that the degree of agreement between the predicted and measured values of different combustor parameters, for various injectors, is higher for the case of employing the ANN approach. In other words, the ANN has better predicting capability for estimation of various combustor parameters than the MPR method. In the second part of the thesis (i.e., the part which has focused on the study of flame images), the objective was to establish an intelligent learning system for real-time monitoring of the evolution of the characteristic parameters regarding the flame images. Two categories of flame features were extracted from the flame images which are; statistic based features and geometric based features. The features were extracted using image processing techniques and were grouped based on their related combustion parameters. To establish the intelligent learning systems, various algorithms such as perceptron neural network, radial basis neural networks, decision tree and support vector machine were employed in the present work. To increase the efficiency of the classification procedure with abovementioned algorithms, in terms of accuracy and training process speed up, Wrapper features selecting method was used. The Wrapper method searches in the features space and would find the most appropriate subset of features with the aim of achieving an effective classification process considering high accuracy and training process speed up. The appropriate selected subset of features were used to train the algorithms to establish intelligent learning systems for real-time monitoring of the evolution of combustion parameters. Keywords: Swirl Stabilized Combustor, Flame Image Processing, Artificial Intelgence, Response Surface Method, Warpper Features Selection
