Ingeniería Térmica Aplicada 27 (2007) 358-368

www.elsevier.com/locate/apthermeng

Estudio comparativo de análisis matemático y experimental de rendimiento del motor de encendido

por chispa de etanol-gasolina utilizada combustible mezcla

H. Serdar Yu¨cesu una,*, Adnan Sozen una, Tolga Topgu¨ l una, Erol Arcakliog˘lu si
una Universidad de Gazi, Facultad de Educación Técnica, Departamento de Tecnología Mecánica, Teknikokullar, 06500 Ankara, Turquía
si Universidad Kirikkale, Facultad de Ingeniería, Departamento de Ingeniería Mecánica, 71450 Kirikkale, Turquía

Recibido el 22 de abril de 2006; aceptó 17 de julio de de 2006

Disponible en línea el 2 de octubre de de 2006

Abstracto

Este estudio consiste en dos casos: (i) El análisis experimental: El etanol obtenido a partir de biomasa se puede utilizar como combustible en motores de encendido por chispa. Como etanol renovable
fuente de energía, debido al número de alto octanaje, bajas emisiones y rendimiento de alta motor se prefiere combustible alternativo. Primera etapa de este estudio, las mezclas de gasolina sin plomo con
etanol (E10, E20, E40 y E60) se ensayaron en un solo cilindro, de cuatro tiempos de encendido por chispa y el motor de inyección de combustible. Las pruebas se realizaron variando el tiempo de
encendido, en relación relación aire-combustible (RAFR) y la relación de compresión a una velocidad constante de 2000 rpm y en la mariposa totalmente abierta (WOT). E ff ect de etanol-sin plomo mezclas
de gasolina y las variables de las pruebas sobre el par motor y específica de consumo de combustible se examinaron experimentalmente. (Ii) El análisis de modelos matemáticos:

Se ha propuesto el uso de ANN para determinar el par motor y específica el consumo de combustible basado en el tiempo de encendido, RAFR y relación de compresión a una velocidad constante
de 2000 rpm y en WOT para di ff Erent densidades de combustible utilizando los resultados del análisis experimental. El algoritmo de aprendizaje de propagación hacia atrás con dos di ff Erent
variantes y función de transferencia sigmoide logística se utilizaron en la red. Con el fin de entrenar la red neuronal, las mediciones experimentales limitados fueron utilizados como datos de
entrenamiento y de prueba. Se obtuvo el mejor conjunto de datos de entrenamiento fi tting Levenberg-Marquardt (LM) algoritmo con cinco neuronas en la capa oculta, lo que hizo posible el par
motor y específica el consumo de combustible con una precisión al menos tan buena como la del error experimental, sobre la toda la gama experimental. Después del entrenamiento, se encontró
el R 2 valores son 0,999996 y 0,999991 para, el par motor y el consumo de combustible fi co, respectivamente. Del mismo modo, estos valores para los datos de prueba son 0,999977 y 0,999915,
respectivamente. Como se ve por los resultados de la modelización matemática, el par motor calculado y específica el consumo de combustible son obviamente dentro de incertidumbres
aceptables.

2006 Elsevier Ltd. Todos los derechos reservados.

palabras clave: Combustible alternativo; mezclas de gasolina y etanol; arti fi cial de redes neuronales; Índice de compresión; Brake específica consumo c combustible

1. Introducción mejorado con el aumento de la relación de compresión. Alcoholes quemaduras con

combustibles de alcohol particularmente etanol puede producirse mediante la
fermentación de cultivos de biomasa, principalmente de caña de azúcar, trigo y madera.
Usos de alcoholes como un combustible para motores de explosión tienen algunas
ventajas para comparar la gasolina. Tanto metanol y etanol tienen mejores
características de que la gasolina antidetonante. La ciencia de motor térmico e FFI
puede ser
temperaturas AME fl inferiores y luminosidad debido a la disminución de la
temperatura máxima dentro del cilindro. De manera que las pérdidas de calor y NO X las
emisiones son más bajas. Tanto metanol y etanol tienen un alto calor latente de
vaporización. El calor latente enfría el aire de admisión, por lo que el aumento de la
densidad de carga y aumenta volumétrica e fi ciencia. Sin embargo el contenido de
oxígeno de metanol y etanol reduce su valor de calentamiento en comparación con
la gasolina. Como una desventaja para el metanol y el etanol que reducen la gama
de vehículos por litro de capacidad del depósito de combustible [1-5] . Al-Baghdadi [6] estudiado

*
el e ff ect de la adición de hidrógeno en etanol en el rendimiento y las emisiones de
Autor correspondiente. Tel .: +90 312 212 68 20/1850; Fax: +90 312 212
escape de un
00 59.
Dirección de correo electrónico: yucesu@gazi.edu.tr (SA Yu¨cesu).

URL: http://w3.gazi.edu.tr/~yucesu (SA Yu¨cesu).

1359-4311 / $ - see front matter 2006 Elsevier Ltd. Todos los derechos reservados.

doi: 10.1016 / j.applthermaleng.2006.07.027

 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368
Nomenclatura
BSFC específico de combustible CR consumo
relación de compresión de TI
el tiempo de encendido
motor de encendido por chispa. El etanol en comparación con la gasolina, la potencia
del motor aumentó 6%, la eficiencia del motor térmico e fi aumentó 4%, y la específica
de consumo de combustible se incrementó 57% en las mismas condiciones del motor.
Ajav et al. [7] investigado el balance térmico de una sola compresión del
cilindro de funcionamiento del motor de encendido en diesel, mezclas de
etanol y diesel y etanol fumigado. En particular, el balance térmico fue
significativamente di ff Erent comparación con el diesel con 15% y 20%
mezclas de etanol-diesel. Cuando el porcentaje de etanol en las mezclas de
diesel con etanol aumentó, se aumentó la cantidad de trabajo útil realizado por
motor. Debido a la refrigeración e ff ect de etanol, se obtuvo el trabajo más útil.
En el caso de las operaciones de mezcla de etanol-diesel, tanto la temperatura
del gas de escape y la temperatura del aceite lubricante fueron más bajos que
el de diesel.
Hsieh et al. [3] investigado experimentalmente el rendimiento del motor y la emisión de
un motor de encendido por chispa, el uso de combustibles de mezcla de etanol y gasolina
en proporciones de 5%, 10%, 20% y 30%. Los resultados mostraron que con el aumento de
la tasa de etanol, el valor de calentamiento del combustible de mezcla disminuye, mientras
que el número de octano de los combustibles mezclados aumentó. Al utilizar el
etanol-gasolina combustibles mezclados el par motor y específica el consumo de
combustible aumentado ligeramente.
Guerrieri et al. [8] ensayados gasolina y gasolina mezclas de etanol en seis vehículo en
uso para determinar e ff ect de contenido de etanol sobre las emisiones y ahorro de
combustible. las emisiones de HC y CO, así como la economía de combustible disminuyeron
de la mayoría de los vehículos, como el contenido de etanol aumentó en el combustible. A la
concentración de etanol más alta, 40%, la emisión de HC, emisión y economía de
combustible CO disminuyó en aproximadamente un 30%, 50% y 15%, respectivamente.
Abdel-Rahman y Osman [9] pruebas de rendimiento realizadas en un motor de
relación de compresión variable usando di ff porcentajes Erent de etanol en el
combustible de gasolina hasta un 40%. Con el aumento de la cantidad de etanol en la
mezcla, el índice de octano también se levantan, pero disminuir el valor de
calentamiento. El incremento de potencia se observó con la adición del etanol hasta
un 10% en relación de compresión de 10: 1. Se encontró que las mejores relaciones
de compresión a ser de 10, 11 y 12 para el 20%, 30% y 40% de etanol para dar la
máxima potencia indicada, respectivamente.
Al-Baghdadi [5] rendimiento investigado de un motor de encendido por chispa
utilizando hidrógeno y etanol como combustible suplementario. En los
experimentos de adición 8% en masa de hidrógeno a 30% en volumen de etanol
en la gasolina demostró una reducción del 58,5% en específica consumo de
combustible. Además, la potencia de salida y el motor térmico e fi ciencia aumentó
en 4,72% y 10,1%, respectivamente.
359
temporización MBT par máximo de freno RAFR relación de
aire-combustible en relación T
esfuerzo de torción del motor
Alasfour [10] llevado a cabo pruebas de rendimiento utilizando 30% de iso-butanol y la
mezcla de gasolina como combustible en un motor de un solo cilindro, de encendido por
chispa. Altered el tiempo de encendido; NO X
emisión y los fenómenos que golpean fueron estudiados en di ff Erent relación de
equivalencia de combustible-aire. Mientras se avanza en el tiempo de encendido
provocado que aumente en cantidad de NO X emisión. Retardar el tiempo de encendido
provocado ciencia motor térmico e fi disminuya.
Cowart et al. [11] probado M85, E85 y gasolina como combustibles en motores de
encendido por chispa. El par motor aumenta tanto con M85 y E85. La relación máxima
de incremento fue de aproximadamente 7% para M85 y 4% para E85 en comparación
con la gasolina.
En el estudio experimental de Al-Hasan [12] , Los ECTS e ff de
Se investigó el uso de mezclas de gasolina y etanol sin plomo en el rendimiento del
motor de encendido por chispa y de emisiones de escape. Los resultados mostraron que
conduce adición de etanol a un aumento en la fuerza de frenado, el freno térmico e fi
ciencia, volumétrica e fi ciencia y el consumo de combustible en aproximadamente 8,3%,
9%, 7% y 5,7% valores promedio de medias, respectivamente. El mejor resultado en las
emisiones de rendimiento del motor y de escape se obtuvo mediante el uso de la mezcla
de combustible de etanol 20%.
El progreso de la neurobiología ha permitido a los investigadores para
construir modelos matemáticos de neuronas para simular el comportamiento
neuronal. fi cial de redes neuronales arti enfoque (ANN) está tipos de métodos de
computación evolutiva bien conocido en las últimas décadas. También técnica
ANN ha sido adaptado para un gran número de aplicaciones en di ff Erent
científica áreas [13-19] . En el campo de la ingeniería de automoción, las RNA son
una buena alternativa a la modelización empírica convencional basado en
regresiones polinómicas y lineales.
El objetivo de este estudio propone un nuevo enfoque basado en RNAs para
determinar el par motor y el freno específico consumo de combustible. Este estudio
consiste en dos casos: (i) El análisis experimental: El etanol obtenido a partir de
biomasa puede ser utilizado como combustible en los motores de encendido por
chispa. mezclas de gasolina sin plomo de etanol-(E10, E20, E40 y E60) se ensayaron
en un motor de Hydra solo cilindro, de cuatro tiempos de encendido por chispa y de
inyección de combustible. Las pruebas fueron realizadas por di ff Erent condiciones
de trabajo. E ff ect de etanol-sin plomo mezclas de gasolina y las variables de las
pruebas sobre el par motor y específica de consumo de combustible se examinaron
experimentalmente. (Ii) El análisis de modelos matemáticos: Se ha propuesto el uso de
ANN para determinar el par motor y específica de consumo de combustible sobre la
base de di ff Erent condiciones de trabajo utilizando los resultados del análisis
experimental. El algoritmo de aprendizaje de propagación hacia atrás con dos di ff
Erent variantes y función de transferencia sigmoide logística se utilizaron en la red.
Con el fin de entrenar la red neuronal, las mediciones experimentales limitados fueron
utilizados como datos de entrenamiento y de prueba.
360 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368

2. Análisis experimental cuenta. Los experimentos se realizaron a una relación de compresión variable,
tiempo de encendido y RAFR a una velocidad constante de 2000 rpm y WOT. Los
En el estudio experimental, se utilizó un motor de un solo cilindro, de encendido porcentajes volumétricos de etanol mezclado con gasolina sin plomo eran 10%,
por chispa y de inyección de combustible. Las especificaciones generales del motor 20%, 40% y 60%. El etanol con una pureza de 99,5% se utilizó en las mezclas.
de prueba se muestran en la tabla 1 . ECTS E ff de uso de gasolina sin plomo (E0) y Propiedades de los combustibles mezclados con gasolina sin plomo de etanol-se
mezclas de gasolina y etanol sin plomo (E10, E20, E40 y E60) en el par de frenado muestran en la Tabla 2 .
del motor y BSFC se han investigado experimentalmente
Un tipo Cussons-P8800 equipo de prueba motor estándar consiste en un
dinamómetro eléctrico, instrumentos de medición se utilizó en los experimentos.
El dinamómetro es una máquina DC nominal de 400 V, 70 A-30 kW. El consumo
tabla 1 de combustible se midió usando Ohaus GT 8000 del modelo de escala con una
Generales especificaciones del motor de prueba de artículos
precisión de 0,1 g. Robic SC-700 modelo cronómetro se utilizó con una
precisión de 0,01 s para la medición del tiempo. El consumo de aire se midió
Tipo de motor Hydra, refrigerado por agua, motor de encendido por chispa utilizando Go-Power M 5000 flujo de aire metros con una precisión de 1 mm-H 2 O.
Número de cilindro 1 La relación de combustible relativa del aire se determinó por Sun MGA
Diámetro interior del cilindro 80,26 mm
analizador de emisión de tipo 1200. Antes de los experimentos fue calibrado el
Carrera 88,9 mm
analizador de emisiones. Rango de medición del analizador es 0.80-
Índice de compresión 5: 1-13: 1
Rango del tiempo de encendido 70 BTDC 20 ATDC
disposición de válvula árbol de levas, dos válvulas verticales
el juego de válvulas Entrada Escape 2,00 con una precisión de 0,001. La vista esquemática de los equipos de prueba se
0,3-0,4 mm
muestra en la Figura 1 .

Tabla 2
Las propiedades de la gasolina combustibles mezclados con etanol sin plomo (E0, E10, E20, E40 y E60) Elementos de Propiedad

Método combustibles de

prueba E0 E10 E20 E40 E60

Destilación (vol%) 70 do
ASTM D 86 24 40.2 39.3 37.7 18.2
100 C 46.8 53.9 66 84.2 92.5
180 C 97.6 97.3 98 98.2 98.7
Densidad (kg / m 3 a los 15 DO) ASTM D 1298 764,9 768 771,5 780,6 789,5
RVP (kPa) ASTM D 323 57.6 66.7 66.2 63 57.4
El contenido de plomo (g / L) ASTM D 3237 0,004 0,003 0,002 0 0
Azufre (% en peso) ASTM D 5453 0,012 0,017 0,022 0,026 0,032
relación de aire-combustible estequiométrica (peso) una 14.7 14.13 13,56 12.42 11.28
calorífico inferior (kJ / kg) una 43932 42185 40430 36870 33.400
RON ASTM D 2699 86.4 87.4 89.8 90.9 92.7
LUN ASTM D 2700 98.8 99.9 101.6 101,7 102,8
una Los valores típicos o calculado.

Fig. 1. Vista esquemática de los equipos de prueba.

 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368
3. Análisis teórico
3.1. Arti fi cial de la red neuronal
Arti fi cial de inteligencia sistemas (AI) son ampliamente aceptada como una
tecnología o FF Ering una forma alternativa para hacer frente a problemas
complejos definida y malos de [20] . Ellos pueden aprender a partir de ejemplos, son
tolerantes a fallos en el sentido de que son capaces de manejar datos con ruido e
incompletas, son capaces de hacer frente a los problemas no lineales, y una vez
entrenado puede realizar la predicción y la generalización a gran velocidad [20] . Se
han utilizado en diversas aplicaciones de control, robótica, reconocimiento de
patrones, la previsión, la medicina, sistemas de energía, fabricación, optimización,
procesamiento de señales y ciencias sociales / psicológicos sistemas de IA
comprender áreas como, sistemas expertos, arti fi ciales redes neuronales,
algoritmos genéticos, sistemas de lógica difusa y varios híbridos, que combinan dos
o más técnicas [20] .
fi Arti cial de red neuronal es un sistema débilmente modelado en el cerebro
humano. Una neurona biológica se muestra en la
Figura 2 . En el cerebro, hay un flujo de información codificada de las sinapsis
hacia el axón. El axón de cada neurona transmite información a un número de
otras neuronas. La neurona recibe información en las sinapsis de un gran
número de otras neuronas. De acuerdo con Haykin
[21] una red neuronal es un procesador masivamente paralelo distribuido que
tiene una propensión natural para el almacenamiento de conocimiento
experimental y lo que es útil. Se asemeja el cerebro humano en dos aspectos: el
conocimiento se adquiere por la red a través de un proceso de aprendizaje, y las
fuerzas de conexión entre neuronas conocidas como pesos sinápticos se utilizan
para almacenar el conocimiento [20] . ANN es una interconectados conjunto de
elementos de procesamiento simples, unidades o nodos, cuya funcionalidad se
basa libremente en la neurona animal. La capacidad de procesamiento de la red
se almacena en las fuerzas de conexión entre las unidades, o pesos, obtenido por
un proceso de adaptación a, o el aprendizaje de un conjunto de patrones de
entrenamiento [20-22] .
Un algoritmo de aprendizaje se define como un procedimiento que consiste
en ajustar los pesos y sesgos de una red, para minimizar una función de error
entre las salidas de la red, para un conjunto dado de las entradas y las salidas
correctas.
Fig. 2. A simpli modelo fi ed de una neurona biológica [22] .
361
Las RNA han sido ampliamente utilizados en muchas áreas, tales como el
control, la compresión de datos, predicción, optimización, reconocimiento de
patrones, clasificacion, el habla, la visión, etc Hoy en día, las redes neuronales
han sido entrenados para superar las limitaciones de los enfoques convencionales
para resolver problemas complejos. Las RNA pueden ser entrenados para
resolver problemas que son di fi culto para los ordenadores convencionales o
seres humanos. RNAs, por otro lado, tener éxito las limitaciones del enfoque
convencional mediante la extracción de la información deseada directamente de
los datos. El elemento de procesamiento fundamental de una red neuronal es una
neurona. Básicamente, una neurona biológica recibe entradas de otras fuentes,
los combina de alguna manera, por lo general lleva a cabo una operación no lineal
en el resultado, y luego envía el resultado final. La red por lo general consiste en
una capa de entrada, algunas capas ocultas, y una capa de salida [23] . Cada
entrada se multiplica por un peso de conexión. En el caso, los productos y los
sesgos más simples son simplemente resumir, entonces transformado a través de
una función de transferencia para generar un resultado, y fi nalmente obtuvo de
salida. Las redes con sesgos pueden representar relaciones entre entradas y
salidas con mayor facilidad que las redes sin sesgos. Una función de
transferencia consistió generalmente de ecuaciones algebraicas es lineal o no
lineal
[23] . Un tema importante de una red neuronal es el paso de formación. Hay
esencialmente dos tipos de ANN aprendizaje aprendizaje supervisado modelos- y
el aprendizaje no supervisado. Con una supervisada, de entrada es presentado a
la red junto con la salida deseada y los pesos se ajusta de manera que los
intentos de la red para producir la salida deseada. Los pesos, después del
entrenamiento, contienen información significativa mientras que antes de
capacitación que son aleatorios y no tienen ningún significado. Las redes
neuronales que no se basan en el uso de datos de destino son capacitados
utilizando aprendizaje no supervisado. En lugar de tratar de mapear la relación
entre entrada y salida de datos, el objetivo es encontrar una estructura
subyacente de los datos.
Hay di ff algoritmos de aprendizaje Erent. Un algoritmo popular es el
algoritmo de retropropagación, que tienen di ff Erent variantes. algoritmos de
entrenamiento de propagación hacia atrás y descenso de gradiente de descenso
de gradiente con el impulso son a menudo demasiado lento para los problemas
prácticos, ya que requieren tasas pequeñas de aprendizaje para el aprendizaje
estable. Además, el éxito en los algoritmos depende de los parámetros que
dependen del usuario y el momento de aprendizaje tasa constante. Faster
algoritmos tales como gradiente conjugado, cuasi-Newton, y
Levenberg-Marquardt (LM) utilizar técnicas de optimización numérica estándar.
Estos algoritmos eliminan algunas de las desventajas anteriormente
mencionadas. ANN con aprende algoritmo de backpropagation cambiando los
pesos, estos cambios se almacenan como conocimiento.
LMmethod es de hecho una aproximación del método de Newton [24] . El
algoritmo utiliza los derivados de segundo orden de la función de coste de modo
que puede obtenerse un mejor comportamiento de convergencia. En la
búsqueda de descenso de gradiente ordinario, sólo el primer orden se evalúan
derivados y la información de cambio de parámetros contiene únicamente la
dirección según la cual se minimiza el costo, mientras que la
362 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368

técnica de Levenberg-Marquardt extrae un vector mordedor cambio de variación con gasolina sin plomo y mezclas de etanol con gasolina sin plomo.
parámetro. Supongamos que tenemos una función EX) Sin embargo, los resultados experimentales mostraron que el uso de mezclas
que debe ser minimizado con respecto al vector de parámetros X [ 25-27] . de etanol dió mayor par de frenado del motor de gasolina sin plomo a
retrasado el tiempo de encendido. El incremento del par de freno depende de
El error durante el aprendizaje se denomina como root-meansquared la proporción de etanol en la mezcla. Los resultados mostraron que la adición
(RMS) y de fi ne como sigue: de 60% de etanol a la gasolina sin plomo rendimiento una
!1=2
2 aumento 4.26% en el par de frenado en comparación con la gasolina sin plomo
RMS ¼ 1 = pags re ÞX tj oj re 1 Þ
cuando el tiempo de encendido se avanzó a 10 CALIFORNIA. Por otra parte, el
j
avance de la sincronización del encendido a 36 CA conduce a un aumento del 1,82%
Además, la fracción absoluta de la varianza ( R 2) y error porcentual absoluto en el par de frenado con combustible E0 cuando se compara con E60.
medio (MAPE) se definen de la siguiente manera, respectivamente:
La Fig. 4 muestra la dirección ff ECTS de tiempo de encendido en el par de
PAGS 2
! frenado y BSFC en la relación de compresión de 10: 1. El par máximo de freno
jtj
oj se obtuvo en 22 CA (ángulo de calado) de tiempo de encendido avanzado con
R2¼ 1 PAGS re 2 Þ
2
todos los combustibles. gasolina sin plomo mezcla con etanol aumentó el par de
joj
frenado y BSFC en todos los tiempos de ignición. Cuando el tiempo de
a
MAPE ¼ o 100 re 3 Þ encendido se avanzó a 24 CA, golpee ocurrencia se observó con combustible
E0. Por otro lado, toc ocurrencia no se observó hasta 36 CA avanzó tiempo de
dónde t es el valor objetivo, o es el valor de salida, y pags es patrón. Entrada y encendido con mezclas de gasolina sin plomo y etanol (E40 y E60). El etanol se
capa de salida se normalizan en el ( 1, 1) o) rango (0, 1. ha considerado como agentes de mezcla para elevar el índice de octano de la
gasolina y se ha utilizado como aditivos para gasolina sin plomo antidetonantes.
La mezcla con etanol permite aumentar la relación de compresión sin que se
produzca detonación en los motores de encendido por chispa para una mejor
4. Resultados y discusión
FFI eficiencia térmica e.

4.1. Los resultados del análisis experimental

El tiempo de encendido tiene un signi fi cativo e ff efecto sobre el rendimiento de

Otro parámetro que un ff eja el parámetro del motor es la relación de aire-combustible
los motores de encendido por chispa. La variación del par de frenado y el freno
relativa (RAFR = k). La relación de aire-combustible relativa ( k) se define como; k ¼ re AFR Þ acto:
específico BSFC consumo de combustible con tiempo de encendido en la relación de
(AFR) acto es aire real
compresión de 8: 1 se muestra en la Fig. 3 . se obtuvo par máximo de frenado en 26 re AFR Þ S t:

CA (ángulo de calado) de tiempo de encendido avanzada con combustible E0, sin relación de combustible y (AFR) S t. es la relación de aire-combustible estequiométrica de combustibles de

embargo, se obtuvo en 24 CA avanzó el tiempo de encendido con combustible E60, en prueba.

la relación de compresión de 8: 1. Como se vio en Fig. 3 , MBT sincronización del ECTS E ff de RAFR en BSFC y el par motor se muestran en la Higos. 5 y 6 . Se
motor no mostró signi fi cativa obtuvo el par máximo a 0,9 RAFR para todos los combustibles de prueba para
ambas relaciones de compresión 8: 1 y

31 500

CR: 8: 1
λ :1
30 450

E0 E10 E20 E40

29 400
BSFC (g / kWh)

E60
Par motor (Nm)

28 350

27 300

26 250
10 15 20 22 24 26 28 30 36

Tiempo de encendido ( ° CA, antes del PMS)

Fig. 3. La variación de par motor y BSFC con tiempo de encendido.

 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368 363

33 450

CR: 10: 1 E0 E10 E20 E40

λ :1 E60

32 400

BSFC (g / kWh)
Par motor (Nm)

31 350

30 300

29 250

10 15 20 22 24 26 29 32 36

Tiempo de encendido ( ° CA, antes del PMS)

Fig. 4. La variación de par motor y BSFC con tiempo de encendido.

32 550

CR: 8: 1 MBT
30 Timing 500

E0 E10 E20 E40

28 450
E60

BSFC (g / kWh)
Par motor (Nm)

26 400

24 350

22 300

20 250

0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2

En relación aire / Fuel Ratio ( λ)

Fig. 5. La variación de par motor y BSFC con RAFR.

10: 1. El par motor de etanol mezclado combustibles fue mayor que la de E0 E0. Se obtuvo el ratio de incremento más alto del par motor en 13: 1 relación de
obtenerse en más puro y más rico región de trabajo de relación aire-combustible compresión con combustibles E40 y E60, el incremento es de aproximadamente
estequiométrica. Se obtuvo el BSFC mínimo en 1,05 RAFR para todos los 14% en comparación con 8: 1 proporción de compresión. Debido número ciente
combustibles de prueba y se levantó dependiendo del contenido de etanol. El octano su fi los combustibles E40 y E60 tienen punto de rendimiento vista motor
incremento medio en BSFC comparación con E0 fue de aproximadamente 6,16% ventaja. BSFC mínimo se obtuvo a las 11: 1 relación de compresión con el
y combustible E0. Comparación con 8: 1 de relación de compresión, el BSFC
31,62% con E10 y E60, respectivamente, en 8: 1 de relación de compresión. El disminuyó 10% y después de la 11: relación de compresión 1 la BSFC aumentó
incremento medio en BSFC comparación con E0 fue de aproximadamente 4,4% y de nuevo. La máxima disminución de BSFC obtiene con E40 como 15%.
28,82% con E10 y E60, respectivamente, a 10: 1 relación de compresión.

El par motor y las variaciones de BSFC se ven en La Fig. 7 .

Usando E0, el par motor aumenta con el aumento de la relación de compresión a 11: 1, la 4.2. La aplicación de ANN y los resultados
relación de incremento es de alrededor de 8% cuando se compara con 8: 1 de relación de
compresión. Sin embargo, desde 11: 1 a 13: 1 relación de compresión, los incrementos son RNAs se han utilizado en una amplia gama de aplicaciones, incluyendo;
aproximadamente 0,95% con patrón clasi fi cación, la función de aproximación,
364 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368

34 500

E0 E10 E20 E40

E60
32 450

CR: 10: 1 MBT

Timing

BSFC (g / kWh) de
30 400
motor de par (Nm)

28 350

26 300

24 250
0.8 0.85 0.9 0.95 1 1.05 1.1 1.15 1.2

En relación aire / Fuel Ratio ( λ)

Fig. 6. La variación de par motor y BSFC con RAFR.

35 450

E0 E10 E20
34 420
E40 E60

MBT Timing
33 390
λ 1:

32 360

BSFC (g / kWh)
Par motor (Nm)

31 330

30 300

29 270

28 240

8 9 10 11 12 13

Índice de compresión

Fig. 7. La variación de par motor y BSFC con relación de compresión.

optimización, la predicción y control automático [13,15,28] . Aquí ANN se utiliza para

el modelado del par motor y específica el consumo de combustible basado en el
tiempo de encendido (IT), RAFR y relación de compresión (RC), tipo de combustible
(di ff Erent densidad del combustible) a una velocidad constante de 2000 rpm y en
WOT utilizando los resultados de análisis experimental. La estructura ANN
seleccionado se muestra en La Fig. 8 ; totalmente conectado a la red jerárquica que
consiste en una capa de entrada, una capa oculta y una capa de salida.

El algoritmo de aprendizaje de propagación hacia atrás se ha utilizado en las capas

ocultas de alimentación hacia adelante individuales. Variantes del algoritmo utilizado en
el estudio se escalan gradiente conjugado (SCG) y Levenberg-Marquardt (LM). Las Fig. 8. Estructura ANN utiliza.
entradas y salidas se normalizan en el intervalo (0, 1). Las neuronas en la capa de
entrada no tienen ninguna función de transferencia. Logistic función de transferencia
sigmoidal (logsig) se ha utilizado. programa de ordenador ha sido realizada bajo MATLAB. En el
entrenamiento, se utilizó un aumento del número de
 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368 365

Tabla 3
valora el error estadístico de las ecuaciones. (4) y (5)

las neuronas del algoritmo propiedades Datos de entrenamiento datos de prueba

RMS R2 MAPE RMS R2 MAPE

SCG 3 El par del motor 0.01812 0.999976 1.84145 0.025151 0.999664 2.611712
Speci fi consumo c combustible 0.01541 0.999971 1.897351 0.015391 0.999798 2.03766

SCG 4 El par del motor 0.008461 0.999995 0.879956 0.008042 0.99997 0.837632
Speci fi consumo c combustible 0.012107 0.999958 1.446041 0.014998 0.999712 1.811496

SCG 5 El par del motor 0.009951 0.999991 1.048816 0.010754 0.999943 1.12919
Speci fi consumo c combustible 0.012084 0.999963 1.430776 0.015473 0.999817 2.054813

LM 3 El par del motor 0.007929 0.999993 0.813259 0.007453 0.999972 0.769766

Speci fi consumo c combustible 0.009757 0.999987 1.22083 0.01033 0.999876 1.249889

LM 4 El par del motor 0.006755 0.999993 0.68837 0.007823 0.999971 0.869897

Speci fi consumo c combustible 0.009736 0.999978 1.224002 0.012463 0.999838 1.651638

LM 5 El par del motor 0.005915 0.999996 0.574388 0.006347 0.999977 0.692064

Speci fi consumo c combustible 0.007395 0.999991 0.924855 0.009692 0.999915 1.304625

neuronas en la capa oculta individual. Para el par motor y específica el Tabla 5 Los valores de normalización

consumo de combustible, el mejor enfoque que tiene error mínimo se obtiene

algoritmo LM con cinco neuronas ( Tabla 3 ). propiedades

El par motor (T) T / 40

Speci consumo fi c combustible (BSFC) BSFC / 500
El par motor y el consumo de combustible c especificación se dan en las
El tiempo de encendido (IT) TI / 40
ecuaciones. (4) y (5) basado en el tiempo de encendido, RAFR y relación de Relativa relación aire-combustible (RAFR) RAFR / 1.5
compresión a una velocidad constante de 2000 rpm y en WOT utilizando el Relación de compresión (CR), CR / 16

enfoque ANN. También estas ecuaciones no necesitan la adición de análisis Tipo de combustible (di ff Erent densidad del combustible) q / 1000

experimental y dar una nueva formulación para determinar el par motor y

específica el consumo de combustible, que tiene muy exactamente, en el
análisis teórico.
mi yo ¼ do 1 yo CR þ do 2 yo ESO þ do 3 yo RAFR þ do 4 yo q þ do 5 yo

re 7 Þ

1 donde, las constantes ( do Ji) se dan en Tabla 4 para el algoritmo LM con 5

T¼
1 þ mi ¿re? 21: 0882 F 1 8: 5496 F 2 12: 9129 F 3 þ 9: 5228 F 4 22: 533 F 5 þ 21: 7897 Þ neuronas.
Los objetos de valor básicos ( X) en la entrada y salida de la capa
re 4 Þ
normalizado en el (0, 1) variar según Tabla 5 .
1 Higos. 9 y 10 presentar el par motor y específica el consumo de combustible
BSFC ¼
1 þ mi re 5: 4291 F 1 þ 38: 9747 F 2 þ 13: 834 F 3 91: 2661 F 3 þ 7: 1562 F 5 þ 31: 334 Þ resultados simulados frente a los datos experimentales para la base de datos de
prueba. La Fig. 9 muestra la capacidad del modelo para predecir el par motor y
re 5 Þ
específica el consumo de combustible en di ff Erent tiempos de ignición y relación de
compresión en ambos datos de entrenamiento y datos de prueba. La Fig. 10 muestra
donde la función de transferencia utilizada para este enfoque se da en la ecuación. (6)
la capacidad del modelo para predecir el par motor y específica el consumo de
combustible en di ff Erent relación aire-combustible relativa en ambos datos de
entrenamiento y datos de prueba. Los valores utilizados en La Fig. 10 se obtienen en
F yo ¼ 1 re 6 Þ
1 þ mi mi yo condiciones de máximo de tiempo de par de frenado (MBT). Las desviaciones entre
los datos experimentales y los datos de modelos matemáticos son muy pequeñas
dónde mi yo se dan en la ecuación. (7) para cada parámetro y despreciable. Como se ve por los resultados de ANN puede
ser utilizar la determinación del par motor y específica el consumo de combustible en
las todas las condiciones experimentales. A partir de esta correlación y prueba

Tabla 4 estadística, es evidente que el modelo fue un éxito en la predicción de los datos
Los pesos entre la capa de entrada y la capa oculta de las Ecs. (4) y (5) experimentales de la torsión del motor y especí fi co valores de consumo de

yo do 1 yo do 2 yo do 3 yo do 4 yo do 5 yo combustible. Esto demuestra la importancia de la fi red neuronal arti cial para

determinar el par motor y específica consumo de combustible.
1 2.2753 3.8347 19.4730 4.3442 12.1507
2 0.2404 0.8147 5.3566 12.8796 6.8558
3 3.4752 0.6864 0.6412 8.4430 7.3031
4 0.0777 0.3220 2.2603 6.7594 4.4431
5 2.1736 3.9603 19.2574 2.9460 10.8469
366 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368

CR = 8, medida CR = 8,
ANN CR = 9, medida CR =
9, ANN CR = 10, medida
CR = 10, los valores de
prueba ANN

35

RAFR = 1

30

Esfuerzo de torsión
25
BSFC / 20 (g / kWh), motor de par (Nm)

20

15
BSFC

10

40

35
S)
30 lP
M
E60 de
s
te
25 ,a
n
E40 CA
(°
20 id
o
E20 nd
ce
en
Tipo de
combu E10 15 de
stible po
em
10 Ti
E0

Fig. 9. simulado resultados en comparación con el tiempo de encendido para la base de datos de prueba.

5. Conclusiones la salida de par no varió notablemente. El incremento de par máximo se obtuvo con el
aumento de la relación de compresión con combustibles E60. En el experimento
MBT sincronización del motor no mostró ninguna variación significativa con relacionado con la relación de compresión, golpee ocurrencia de combustibles de
gasolina sin plomo y mezclas de gasolina y etanol sin plomo. Sin embargo, etanol contenida en comparación con E0, o bien no se observó o se observó en mayor
cuando el tiempo de encendido retardado, mezclas de etanol produjo un mayor tiempo de encendido. La mayor tasa de combustibles de etanol contenida tiene una
par de frenado del motor de gasolina sin plomo. ventaja para alcanzar la sincronización avanzada para el mejor par de torsión.

El par máximo se obtuvo a 0,9 RAFR para todos los combustibles de prueba
para ambas relaciones de compresión 8: 1 y 10: 1. El par motor de etanol La ventaja más importante del enfoque matemático es que; que puede ser
mezclado combustibles fue mayor que la de E0 obtener en más rica región de utilizado ANN para el diseño y optimización de nuevos, nuevos o más
trabajo de relación aire-combustible estequiométrica especialmente en relación complicados sistemas, que son este análisis experimental. Las ventajas de la
10: 1 de compresión. Por encima de la relación estequiométrica, en rica región de RNA en comparación con los métodos clásicos son la velocidad, la simplicidad
la operación, el par motor aumenta en función del contenido de etanol. y la capacidad de aprender a partir de ejemplos y no requieren más estudio
experimental. Así, ingeniería e ff ORT puede reducirse en las áreas.
Especialmente este estudio se considera que es útil en la predicción de la
El BSFC variaba dependiendo tanto de la torsión del motor y, especialmente, tensión residual. Los resultados de modelo neuronal permitirán mejorar
el valor de calentamiento del combustible utilizado. El BSFC aumentó en función determinación del par motor y el consumo específico de combustible y de
del porcentaje de etanol. entender en un corto tiempo el comportamiento de la experimental
El par motor se levantó el aumento de relación de compresión de hasta 11: 1 con
combustible E0. En las relaciones de compresión más altas
 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368 367

CR = 10
35
MBT

30

Esfuerzo de torsión
BSFC / 20 (g / kWh), motor de par (Nm)

25

20

BSFC

15

10

0.8

RA
FR E60
1.2
E40
E20
E10
1.4 E0 ustible
e comb
Tipo d

Fig. 10. simulado resultados en función de la relación de aire-combustible relativo de la base de datos de prueba.

resultados. El modelo de red neuronal no necesita ninguna hipótesis preliminares [3] WD Hsieh, RH Chen, Wu TL, TH Lin, el rendimiento del motor y
la emisión de contaminantes de un motor de SI usando etanol-gasolina combustibles mezclados, el
sobre los mecanismos que sirven de fundamento en el proceso de modelado.
medio ambiente atmosférico 36 (3) (2002) 403-410. [4] LM Das, YVR Reddy, Evaluación de
combustibles alternativos para interno
motor de combustión, en: Primera Trabzon Internacional de Energía y Medio Ambiente
Expresiones de gratitud Simposio, Trabzon, 1996, pp 951-958.. [5] Al-Baghdadi MAS, estudio sobre los resultados de una
chispa de cuatro tiempos
motor de encendido por trabajar con ambos de hidrógeno y alcohol etílico como combustible
Este trabajo fue financiado por la Universidad de Gazi, Scientific Research
complementario, International Journal of Hydrogen Energy 25 (10) (2000) 1005-1009.
Foundation proyecto en proyecto marco de TEF 07 / 2002-27. pruebas de combustible
se llevaron a cabo por el Centro de Investigaciones del Petróleo de METU. Los autores [6] MAS Al-Baghdadi, Un estudio sobre el alcohol de hidrógeno-acetato de dual
agradecen enormemente las contribuciones hechas por la Universidad de Gazi y combustible del motor de encendido por chispa, conversión y gestión 43 (2) (2002) 199-204

Centro de Investigación de Petróleo METU. Energía.

[7] EA Ajav, B. Singh, TK Bhattacharya, el equilibrio térmico de una sola
cilindro de funcionamiento del motor diesel con combustibles alternativos, conversión de
energía y de gestión 41 (14) (2000) 1533-1541. [8] DA Guerrieri, PJ Ca ff rey, V. Rao,
referencias Investigación en el vehículo
emisiones de escape de mezclas de etanol de alto porcentaje, SAE Paper no:
[1] E. Sher, Manual de contaminación del aire de combustión interna 950 777, 1995, pp. 85-95.
Formación de los motores de Contaminantes y Control, Academic Press, San Diego, 1998, pp. [9] AA Abdel-Rahman, MM Osman, investigación experimental sobre
603-605. la variación de la relación de compresión de SI de trabajo del motor bajo di ff Erent mezclas de
[2] RL Bechtold, Combustibles alternos Guidebook, Sociedad de Automotive combustible de etanol y gasolina, Revista Internacional de Investigación 21 Energía (1) (1997) 31-40.
Engineers Inc., 1997, pp. 52-56.
368 SA Yu CESU et al. / Applied Thermal Engineering 27 (2007) 358-368
[10] FN Alasfour, NO X Emisión de un motor de encendido por chispa utilizando 30%
mezcla de iso-butanol-gasolina: Parte de temporización 2 de encendido, Applied Thermal Engineering
18 (8) (1998) 609-618.
[11] JS Cowart, WE Boruta, JD Dalton, RF Dona, FL Rivard, Jr.,
RS Furby, JA Piontkowski, RE Seiter, RM Takai, Desarrollo de tren de potencia de la 1996
Ford Taurus de combustible flexible, SAE Paper, n:
952 751, 1995, pp. 115-128.
[12] M. Al-Hasan, E ff ect de mezclas de gasolina con etanol sin plomo en el motor
rendimiento y las emisiones de escape, conversión y gestión 44 (9) (2003) 1547-1561 Energía.
[13] M. Mohandes, S. Rehman, A Halawani, Estimación de solar global
radiación usando redes neuronales arti fi cial, Energía Renovable 14 (1-4) (1998) 179-184.
[14] SA Kalogirou, las aplicaciones de arti fi ciales redes neuronales para la energía
sistemas, Applied Energy 67 (2000) 17-35.
[15] A. Palau, E. Velo, L. Puigjaner, uso de redes neuronales y experto
sistemas para controlar una máquina de gas / de sorción de sólidos refrigeración, Diario Internacional de
Refrigeración 22 (1999) 59-66.
[16] KS Reddy, M. Ranjan, estimación de recursos solares utilizando arti fi cial
redes neuronales y la comparación con otros modelos de correlación, Conversión de Energía y
Gestión 44 (2003) 2519-2530. [17] A. Sözen, E. Arcaklıog˘lu, M. Ø zalp, EG Kanit, Uso del arti cial
fi
redes neuronales para la asignación del potencial solar en Turquía, Energía Aplicada 77 (2004)
273-286.
[18] H. Bechtler, MW Browne, PK Bansal, V. Kecman, Nuevo enfoque
a modelado dinámico de enfriadoras de líquido por compresión de vapor: arti fi cial redes
neuronales, Applied Thermal Ingeniería 21 (2001) 941-953. [19] C. Karatas , A. Sozen, E.
Arcaklıog˘lu, S. Ergu¨ney, Modelado de la longitud de rendimiento en el molde de plásticos
comerciales utilizando redes arti fi cial neural, Materiales & Diseño, en prensa.
[20] SA Kalogirou, Arti inteligencia fi cial para el modelado y control de
procesos de combustión: una revisión, Progreso en Energía y Ciencia de combustión 29 (2003)
515-566.
[21] S. Haykin, Neural Networks: una base integral, Mac-
millan, Nueva York, 1994. [22] S . Sagiroglu, Yapay Zeka Teknikleri, Lisansu¨stu¨ Ders Notları,
2003 (en turco).
[23] A. Chouai, S. Laugier, D. Richon, Modelado de termodinámica
propiedades utilizando redes neuronales. Aplicación a los refrigerantes, fluido en fase
Equilibrios 49 (2002) 1-10.
[24] D. Marquardt, un algoritmo para la estimación por mínimos cuadrados de la no
parámetros lineales, Revista de la Sociedad para Industrial and Applied Mathematics (1963)
431-441.
[25] R. Attiti, Primera y métodos de segundo orden para el aprendizaje: entre
descenso más agudo y el método de Newton, Neural Computing 4 (2) (1992) 141-166.
redes de alimentación hacia adelante [26] MT Hagan, MB Menhaj, el entrenamiento con el
Marquardt algoritmo, IEEE Transactions on Neural Network 5 (6) (1994) 989-993.
[27] A. Mellit, M. Benghanem, SA Kalogirou, Modelado y simulación
de un sistema fotovoltaico autónomo utilizando un arti fi cial de adaptación neuronal red: propuesta
para un nuevo procedimiento de dimensionamiento, Energía Renovable 32 (2) (2007) 285-313.
[28] A. Sozen, E. Arcaklioglu, M. Ozalp, Investigación de termodinámica
propiedades de refrigerante parejas / absorbentes utilizando arti fi cial neural Networks,
Ingeniería Química y Procesamiento de 43 (10) (2004) 1253-
1264.