پیش بینی متغیرهای روغن کاری یاتاقان چشم کوچک شاتون موتور ملی EF7 به کمک شبکه های عصبی با شبیه سازی در نرم افزار AVL EXCITE

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 پیش بینی متغیرهای روغن کاری یاتاقان چشم کوچک شاتون موتور ملی EF7 به کمک شبکه های عصبی با شبیه سازی در نرم افزار AVL EXCITE دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی متغیرهای روغن کاری یاتاقان چشم کوچک شاتون موتور ملی EF7 به کمک شبکه های عصبی با شبیه سازی در نرم افزار AVL EXCITE  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پیش بینی متغیرهای روغن کاری یاتاقان چشم کوچک شاتون موتور ملی EF7 به کمک شبکه های عصبی با شبیه سازی در نرم افزار AVL EXCITE،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی متغیرهای روغن کاری یاتاقان چشم کوچک شاتون موتور ملی EF7 به کمک شبکه های عصبی با شبیه سازی در نرم افزار AVL EXCITE :

نام کنفرانس، همایش یا نشریه : تحقیقات موتور

تعداد صفحات :۱۰

برای کاهش سایش در مجموعه گژن پین، بوش و باس پیستون روغن کاری انجام می شود. روغن مورد استفاده در موتور ملی از نوع ۱۰W40 با لزجت دینامیکی mPa.s 5.5 در دمای کاری ۱۴۰ درجه سلیسیوس است. به منظور تحلیل هیدرودینامیک لایه روغن در چشم کوچک شاتون، مدل واقعی موتور با در نظر گرفتن چهار سیلندر در نرم افزار AVL EXCITE 5.1 شبیه سازی شد. در این نرم افزار تاثیر شش پارامتر دمای روغن، نوع تنفس، نوع سوخت، مقدار لقی بین گژن پین و بوش برنزی چشم کوچک شاتون، موقعیت قرارگیری یاتاقان، سرعت دورانی موتور بر پارامترهای روغن کاری (بیشینه فشار و کمینه ضخامت) مدل سازی شده و نمودارهای مربوطه استخراج می شود. هچنین تاثیر این شش فاکتور بر پارامتر روغن کاری برای چهار حالت مختلف موتور مل EF7 توسط شبکه های عصبی شبیه سازی می شود.نتایج شبیه سازی در نرم افزار AVL EXCITE 5.1 نشان می دهد که بیشترین فشار و کمترین ضخامت هیدرودینامیک لایه روغن در دور rpm 3500 در C°۳۷۲ زاویه لنگ (لحظه احتراق) در موتور EF7 پرخوران(TC) با سوخت CNG به ترتیب MPa 446 و µm 83.1 در دمای کاری ۱۴۰°C رخ می دهد، که احتمال سایش یاتاقان در این شرایط کاری وجود دارد. از شبکه های عصبی پس انتشار رو به عقب (FFBP) برای اینکار استفاده گردید. نتایج نشان داد که بهترین توپولوژی برای پیش بینی پارامترهای روغن کاری (بیشینه فشار و کمینه ضخامت) شبکه عصبی ای با ساختار ۲-۳۰-۲۴-۶، الگوریتم آموزش trainlm و توابع آستانه logsig،tansig و pureline می باشد. این شبکه در ۱۲۰ تکرار (epoch) و در مدت زمان ۸۵.۶ ثانیه با خطای یادگیری ۰.۰۰۲۲۹ همگرا می شود. خطای شبکه (MSE) برای این توپولوژی برای الگوهای آموزش، ارزیابی و تست به ترتیب ۰.۰۰۱۳، ۰.۰۰۲۷ و ۰.۰۰۱۸ می باشد. ضریب تبیین (R2) نیز برای الگوهای آموزش، ارزیابی و تست به ترتیب ۰.۹۹۵۲، ۰.۹۹۸۸ و ۰.۹۹۸۵ محاسبه گردید.

کلید واژه: موتور پرخوران EF7، چشم کوچک شاتون، گژن پین، تحلیل هیدرودینامیک روغن کاری، لقی، شبکه عصبی مصنوعی