СОХРАНЕНИЕ КАЧЕСТВА БИОДИЗЕЛЬНОГО ТОПЛИВА ЗА СЧЕТ СОВЕРШЕНСТВОВАНИЯ ТЕХНОЛОГИИ ЕГО

Для оценки эффективности прогноза параметров качества биодизеля многослойной нейронной сетью с различной архитектурой был сформирован массив данных, содержащий информацию с показателями рапсового масла по ГОСТ 8988-2002 и показателями биодизеля по европейскому стандарту на метиловые эфиры жирных кислот для дизельных двигателей EN14214:2003. Принято, что физико-химические показатели рапсового масла изменяются по закону нормального распределения в пределах от марки Р до марки Т. Прогнозируемые параметры биодизеля также меняются по нормальному закону распределения. В массив добавлены шумовые значения.

Разработан общий алгоритм решения:

1. Определить, какой смысл вкладывается в компоненты входного вектора x. Входной вектор должен содержать формализованное условие задачи, т.е. всю информацию, необходимую для получения ответа.

2. Выбрать выходной вектор y таким образом, чтобы его компоненты содержали полный ответ поставленной задачи.

3. Выбрать вид нелинейности в нейронах (функцию активации). При этом желательно учесть специфику задачи, т.к. удачный выбор сократит время обучения.

4. Выбрать число слоев и нейронов в слое.

5. Задать диапазон изменения входов, выходов, весов и пороговых уровней, учитывая множество значений выбранной функции активации.

6. Присвоить начальные значения весовым коэффициентам и пороговым уровням и дополнительным параметрам (например, крутизне функции активации, если она будет настраиваться при обучении). Начальные значения не должны быть большими, чтобы нейроны не оказались в насыщении (на горизонтальном участке функции активации), иначе обучение будет очень медленным. Начальные значения не должны быть и слишком малыми, чтобы выходы большей части нейронов не были равны нулю, иначе обучение также замедлится.

7. Провести обучение, т.е. подобрать параметры сети так, чтобы задача решалась наилучшим образом. По окончании обучения сеть готова решить задачи того типа, которым она обучена.

8. Подать на вход сети условия задачи в виде вектора x. Рассчитать выходной вектор y, который и даст формализованное решение задачи.

Разработана программа «Нейронная сеть», для создания и обучения многослойной нейронной сети. С помощью этой программы и проводилось построение и обучение нейронной сети для прогнозирования параметров качества биодизеля.

Для экспериментов использовали вихревые трубы с рубашкой и без рубашки охлаждения. Вихревая зона исследуемой трубы выполнена в виде усеченного конуса с расширением в сторону дросселя и углом конусности 2°,в сопловом входе установлена трехзаходная улитка, дроссель выполнен в виде конуса (рис. 1).

Рисунок 1. – Общий вид вихревой трубы с рубашкой охлаждения.

Для измерения температур горячего и холодного потоков вихревой трубы, а также температуры входного воздуха был выбран прибор Термодат-16M3. Для измерения давления входного воздушного потока был использован манометр МПЗ-Уф. Для исследования влияния входного давления был использован компрессор с двумя ресиверами.

Разработана методика проведения экспериментов по распределению температур в трубке Ранка с рубашкой охлаждения. Часть экспериментов проведена с охлаждением корпуса вихревой трубки водой, а часть – без охлаждения корпуса. Это сделано с целью определения максимального охлаждающего эффекта, который сможет выдать вихревая труба.

Для проведения экспериментов по изучению ступенчатой схемы соединения вихревых труб была собрана установка, состоящая из двух вихревых труб, одна из которых была с рубашкой охлаждения (рис. 2).

1 - компрессор, 2 - регулятор давления, 3 - манометр, 4 - вихревая труба с рубашкой охлаждения, 5 – вихревая труба, 6 - температурный регистратор.

Рисунок 2. – Схема ступенчатой установки вихревых труб.

Установка собрана таким образом, что воздух под давлением подавался на вихревую трубу (5), выход холодного потока из которой являлся входом воздушного потока вихревой трубы с рубашкой охлаждения (4). Корпус вихревой трубы охлаждался водой с температурой tводы = 12 °C. При такой схеме работы установки, ожидается низкая температура холодного потока на выходе из установки. В эксперименте варьировались входное давление, температура воздуха и степень открытия дросселя.

Для моделирования процессов в вихревой трубе использовался программный комплекс FlowVision, предназначенный для моделирования трехмерных течений жидкости и газа в технических и природных объектах, а также визуализации этих течений методами компьютерной графики.

Схема экспериментальной установки приведена на рис. 3.

1- компрессор, 2 - вихревое устройство, 3 - теплообменник, 4 –слив конденсата, 5 - резервуар, 6 – дыхательный клапан, 7- пульсатор

Рисунок 3 – Схема установки по предотвращению обводненности биодизельного топлива

В эксперименте варьировались входное давление, температура воздуха и степень открытия дросселя.

Для проведения экспериментов по конденсации выбран теплообменник с техническими характеристиками: Расход воды, м3/час — 1. Расход воздуха, кг/час — 540. Приведенная теплоотдача, Вт/°С — 114. Гидравлическое сопротивление, кПа — 15.58. Аэродинамическое сопротивление, Па — 145. Масса, кг - 0, 8. В эксперименте измеряли объем и массу воды, которая была сконденсирована из атмосферного воздуха.

В четвертом разделе «Результаты экспериментальных исследований и их анализ» приведен анализ результатов исследований, проверка корректности теоретических предпосылок, отработка основных конструктивно-режимных и технологических параметров опытно-промышленных установок для конденсации паров влаги из воздуха.

Построен график изменения среднеквадратичной ошибки при прогнозировании плотности биодизельного топлива. В кодовом обозначении «Вид сети» первые цифры обозначают количество входных параметров, последние – количество выходов; вторая цифра показывает количество нейронов в скрытом слое. Лучший результат прогноза показателей качества биодизеля показала нейронная сеть с 15 нейронами в скрытом слое с гиперболической функцией активации нейронов (рис. 4).

, (17)

Рисунок 4. – Схема нейронной сети для прогнозирования параметров качества биодизельного топлива.

, (18)

где - входные сигналы нейрона, - весовые коэффициенты синаптических связей, - пороговый уровень нейрона, - состояние нейрона, - функция активации, - вектор значений параметров функции активации, а - выходной сигнал нейрона.

Показано, что среднеквадратичная ошибка прогноза нейронной сетью с архитектурой 7-15-3 для плотности будет равна 0,64 кг/м3, для кинематической вязкости – 0,07 мм2/с, для содержания механических примесей – 0,76 мг/кг (рис. 5). С целью уменьшения ошибки прогнозирования параметров биодизеля, было решено использовать архитектуру нейронной сети с одним выходом.

Рисунок 5. – СКО плотности биодизеля при температуре 15 °С, кг/м3

Результаты сравнили с вышеописанными, получили, что снижения величины ошибки не произошло (таблица 1).

Таблица 1 – Результаты прогнозирования плотности биодизеля нейронной сетью с различной архитектурой

Вид сети	СКО плотности биодизеля при расчете с 1м выходом	СКО плотности биодизеля при расчете с 3мя выходами
7-4-1	3,02	1,03
7-7-1	1,12	0,81
7-10-1	0,25	2,48
7-13-1	2,8	1,13
7-15-1	0,81	0,64
7-21-1	2,71	2,12

Сравнение изменения среднеквадратичной ошибки при прогнозировании плотности биодизеля с одним и тремя выходами приведен на рисунке 6.

Установлено, что нейронная сеть способна прогнозировать плотность, кинематическую вязкость, содержание механических примесей по физико-химическим показателям исходного масла и может быть использована для оптимизации режимов получения биодизеля. С использованием полученных методик построения и применения нейросетевых моделей можно стабилизировать и проверить любую технологию производства и продолжительность хранения биодизельного топлива. Проведены эксперименты по распределению температур в трубке Ранка с рубашкой охлаждения. В эксперименте варьировались входное давление, температура воздуха и степень открытия дросселя.

Рисунок 6. – Сравнение среднеквадратичной ошибки плотности биодизеля при прогнозировании сетью с одним и тремя выходами

Результаты экспериментов сведены в таблице 2, графическое изображение приведено на рис. 7.

Таблица 2 – Эффективность охлаждения и нагрева вихревой трубкой

Входное давление, атм.	Разница температуры, °C
	Tx	Tг
2	30,15	2,55
3	33	8,37
4	38,22	2,98

Рисунок 7. – Эффективность охлаждения и нагрева вихревой трубкой.

Эксперимент показал, что эффект охлаждения возрастает с увеличением давления входного потока в вихревой трубке. Достигнута минимальная температура холодного потока равная -9 С, а максимальная температура горячего потока +44 С.

Рассматривая процессы взаимодействия вихрей, мы убеждаемся, что высокая температура периферийных слоев внешнего вихря позволяет легко отбирать от них тепло, чему в значительной степени способствуют высокие скорости турбулентного вихря, обеспечивающие большие значения коэффициента теплообмена.

Исследовано влияние входного давления на эффект температурного разделения в вихревой трубе с рубашкой охлаждения. При условии сохранения постоянным давления холодного потока за отверстием диафрагмы величина давления , подаваемого к соплу сжатого газа, играет существенную роль в получаемом эффекте охлаждения. С повышением давления входа растет эффект охлаждения.

Эксперимент показал, что используя вихревую трубку с рубашкой охлаждения можно получить максимальный эффект нагрева () равный 15 C, а максимальный эффект охлаждения () – 40 С. В случае, когда вихревую трубку не охлаждали водой, получено, что эффект нагрева оказался гораздо выше, а эффект охлаждения изменялся незначительно. Таким образом, использование рубашки охлаждения вихревой трубы, позволяет эффективно отбирать тепло от периферийных слоев, практически не влияя на центральный поток.

Результаты экспериментов со ступенчатой схемой соединения вихревых труб приведены в таблице 3, графическое изображение приведено на рис. 8.

Таблица 3 – Эффективность охлаждения и нагрева ступенчатой схемы соединения вихревых труб

Давление на входе, атм.		Среднее значение разницы температур, °C		Максимальная температура потока, °C
1-й трубы	2-й трубы	Tx	Tг	Холодного	Горячего
3	1,75	48,71	5,43	-25,8	40,1
4	2,5	49	10,11	-28,2	44,6
5	2,5	66,82	9,62	-45,9	43,7