Biyodizel ve Bütanol Karışımı Kullanılan Bir Motorun Performans ve Egzoz Emisyonlarının Yapay Sinir Ağı Kullanılarak Tahmin Edilmesi Abdullah ÖRS 3, Mehmet Ali BİBERCİ *,1, Mustafa AYDIN 2, Mustafa Bahattin ÇELİK 1 1 Karabük Üniversitesi, Mühendislik Fakültesi, m.alibiberci@karatekin.edu.tr, mcelik@karabuk.edu.tr, Karabük, Türkiye. 2 Karabük Üniversitesi,Teknoloji Fakültesi, m.aydin@karabuk.edu.tr, Karabük, Türkiye. 3 Başkent Üniversitesi, Kazan Meslek Yüksekokulu, aors@baskent.edu.tr, Ankara, Türkiye ÖZET Bu çalışma, direk püskürtmeli bir motorun özgül yakıt tüketimini, CO (karbon monoksit) ve HC (yanmamış hidrokarbon) egzoz emisyonlarını tahmin etmek için YSA (yapay sinir ağı) modellemesinin kullanımını araştırmaktadır. Eğitim ve test verileri elde etmek için, tek silindirli test motoru farklı motor yüklerinde çalıştırılarak bir dizi deney gerçekleştirildi. Deneysel sonuçlar, dizel yakıtına %15 oranında bütanol eklenmesiyle emisyon değerlerinde azalma olduğunu gösterirken özgül yakıt tüketiminde ise % 10 artış meydana geldiğini ortaya koymaktadır. YSA (Yapay Sinir Ağı) modelini, eğitmek için standart geri yayılım algoritmasının optimum seçim olduğu belirlenmiştir. Ağ yapısının oluşturulmasında BFGS (Quasi-Newton geri yayılımı), LM (Levenberge-Marquardt öğrenme algoritması) gibi farklı öğrenme algoritması kullanılmıştır. YSA modelinin sırasıyla test verileri için Özgül yakıt tüketimi (be), CO, HC emisyonları için 0.9949, 0.9934 ve 0.9942 R 2 değeri ile motor performansını ve egzoz emisyonlarını öngörebildiği bulundu. Gelişmiş YSA modelinin, motor performansı ve içten yanmalı motorların egzoz emisyonlarını tahmin etmek için oldukça güçlü olduğu belirlendi. Anahtar kelimeler: Biyodizel, Bütanol, YSA, Motor Performansı, Egzoz Emisyonları. 14th International Combustion Symposium (INCOS2018) Prediction of Performance and Exhaust Emissions of a Motor Using Biodiesel and Butanol MixtureWith Artificial Neural Network ABSTRACT This study investigates the use of the YSA (artificial neural network) model to predict specific fuel consumption, CO (carbon monoxide) and HC (unburned hydrocarbon) exhaust emissions of a direct injection engine. In order to obtain training and test data, a series of experiments were carried out by operating the single-cylinder test motor at different engine loads. Experimental results show that by adding 15% butanol to the diesel fuel, the emission values decreaseand the specific fuel consumption increases by 10%. The YSA (Artificial Neural Network) model has been determined to be the optimal choice of the standard backpropagation algorithm to train. Different learning algorithms such as BFGS (Quasi-Newton backpropagation) and LM (Levenberge-Marquardt learning algorithm) have been used to construct the network structure. The YSA model predicted engine performance and exhaust emissions with specific fuel consumption (be) for test data, and 0.9949, 0.9934 and 0.9942 R 2 for CO, HC emissions, respectively. The improved YSA model was found to be very powerful to predict engine performance and exhaust emissions from internal combustion engines. Keywords: Biodiesel, Butanol, ANN, Engine Performance, Exhaust Emissions. 462
1. GİRİŞ Dünyadaki tüm taşıtların benzin, dizel yakıt, LPG (sıvılaştırılmış petrol gazı), LNG (sıvılaştırılmış doğal gaz) ve CNG (sıkıştırılmış doğal gaz) gibi fosil yakıtlara bağımlı olduğu bilinmektedir. Taşıtlarda kullanılan fosil yakıtın; hava kirliliği, asit yağmuru, duman, karbondioksit oluşumu, yerin ısı dengesindeki değişiklikler gibi insan sağlığını tehdit eden faktörlere neden olduğu bilinmektedir. Bu duruma ek olarak, dünya fosil yakıt rezervlerinin de sınırlı ve yakın gelecekte tükeneceği belirtilmektedir [1]. Bu nedenle, alternatif yakıtların kullanılması önem kazanmaktadır. Bu yakıtlar, alkoller (etanol ve butanol gibi), eterler, bitkisel yağlar, hayvan yağları, gazlı yakıtlar ve biyodizellerdir [2]. Alternatif yakıtlar arasında alkol karışımları ön plana çıkmaktadır. Bu şekilde emisyon değerleri azaltılmaya ve motor performansları arttırılmaya çalışılmaktadır. Biyodizel-bütanol karışımları hacim bazında % 5, % 10 ve % 20 bütanol olarak belirlenen çalışmada bütanol biyodizel ile karşılaştırıldığında, butanol ile harmanlanmış yakıtlar, daha yüksek karbon monoksit (CO) ve yanmamış hidrokarbonlar (HC) emisyonları sergilerken daha düşük egzoz gazı sıcaklıkları ve azot oksitler (NOx) emisyonları göstermektedir. Butanol ile harmanlanmış yakıtlar, düşük konsantrasyonda bütanol (% 5 ve % 10) için dizel yakıttan daha düşük CO ve daha yüksek NOx emisyonu üretti ancak HC emisyonları açısından önemli bir değişiklik oluşmamıştır. En yüksek konsantrasyonda bütanol içeren biyodizel harmanı (% 20) dizel yakıtlara kıyasla daha yüksek CO ve HC emisyonlarına ve daha düşük NOx emisyonu değerlerini göstermektedir. Özgül yakıt tüketimi, dizel ile karşılaştırıldığında biyodizel ve biyodizelle harmanlanmış yakıtlarla artış göstermektedir [3]. Literatürde biyodizel kullanımının HC, CO ve partiküler madde (PM) emisyonlarını düşürürken NOx emisyonlarını arttırdığını göstermektedir. Etanol ve metanol gibi basit alkoller ise, sıkıştırma ateşlemeli motorlarda katkı maddeleri veya harmanlanmış yakıtlar olarak en çok kullanılan alkoldür [4]. Buji ile ateşlenen motorda metanol ve benzin karışımının kullanımını analiz edilmiş ve farklı ateşleme avanslarında motor performansına metanol oranının etkilerini araştırılmıştır. Motorun standart ateşleme avansı değerinde en iyi performans, % 15 metanol ve % 85 petrol karışımıyla elde edilmiştir [5]. Bunun yanı sıra düşük yağlama, yüksek buharlaşma ısısı, yüksek otomatik ateşleme sıcaklığı, düşük setan sayısı ve çözünürlük, etanol ve metanolün dezavantajlarından bazılarıdır. Boşta çalışan bir motor yanma esnasında % 99 yakıt dönüşümü elde etmek için metanol ve etanol için minimum hava emme ön ısıtma sıcaklığı sırasıyla 450 C ve 250 C olmaktadır. Tam yük altında yakıt 150 derece ön ısıtma ile tamamen yakılacaktır. Çözünürlük, basit alkoller için bir başka husustur. Aslında etanol ve metanol dizel ile karışmaz. Bu nedenle basit alkolleri dizel ile tamamen karıştırmak için bir emülgatör kullanılmalıdır. Biyodizel, dizelalkol karışımlarına mükemmel bir bağlayıcı veya emülgatör olarak hizmet etmektedir. Biyodizel-etanol / metanol veya biyodizel-etanol / metanol-dizel gibi karıştırılamayan yakıt karışımları, alkol konsantrasyonunu sınırlandırarak elde edilebilir. Biyodizel ile harmanlanmış basit alkollerin, NOx ve PM emisyonlarını azalttığı, metanol veya etanol konsantrasyonunun büyüklüğüne bağlı olarak CO ve HC emisyonlarında karışık sonuçlar oluşturduğu görülmüştür. Biyodizel etanol dizel karışımları daha yüksek CO ve HC'ye yol açarken, alkol konsantrasyonlarını artırıldığında ise dizelden daha az NOx emisyonu ürettiği anlaşılmıştır [6]. Bütanol, sıkıştırma ateşlemeli motorlarda kullanılan iyi bir alternatif yakıt veya yakıt katkısıdır ve yüksek setan sayısı, düşük buharlaşma ısısı, daha yüksek ısıtma değeri ve dizel ile daha iyi karışabilirlik gibi etanol ve metanol üzerinde birçok avantaj sağlar. Yüksek bir setan sayısı daha iyi yakıt ateşleme ve daha kısa ateşleme gecikmesi anlamına gelir. Ateşleme için uygun koşulları sağlamak için bütanol, etanol veya metonaldan daha düşük ısı ve daha düşük bir emme havası ısısı gerektirir, çünkü buharlaşma ısısı düşük olmaktadır. Butanol buharlaşmayı daha kolay olduğu için daha iyi yanma özellikleri gösterir. Butanol, metanol veya etanolden daha yüksek bir ısıtma değerine sahiptir; bu da, alkol bazlı bir yakıt üzerinde çalışan bir motordan gelen aynı güç için daha küçük bir bütanol hacminin gerekli olduğu anlamına gelir. Önemli olan, bütanol, metanol veya etanolün aksine, karışabilirlik problemi olmaksızın dizel ile karıştırılabilir. Genel olarak bütanol, dizelinkine yakın fiziksel özelliklere sahiptir. Böylece bütanolü metanol ve etanol üzerinde önemli bir alternatif yakıt ya da katkı maddesi haline getirmektedir. Sıkıştırma ateşlemeli motorlarda bütanol-dizel karışımlarının motor performansı, yanma ve emisyon özelliklerinin daha iyi sonuçlar verdiği ile ilgili literatürde bir çok çalışma yapılmıştır [7-16]. YSA, harici bir yardım almadan öğrenme yoluyla yeni bilgi keşfetmek ve üretmek için geliştirilen algoritmalardır. Diğer bir deyişle, biyolojik sinir ağı taklit eden sentetik bir ağdır. YSA ve biyolojik sinir ağı hem mimari hem de yetenek açısından önemli farklara sahiptir. YSA, yeni problemlerin tahmininde matematiksel bir model oluşturmaktadır. Son zamanlarda YSA, motor performans testleri, kesme mekaniği, sinyal işleme, veri ayrıştırma ve görüntü işleme için kayda değer ve yaygın olarak kullanılan bir yöntem olmuştur. Ayrıca, yöntem bazı problemler için yeni çözümler üretebilir. YSA, yüksek güvenilirlik ve etkinlik nedeniyle kontrol stratejisi olarak tercih edilmektedir [17]. Literatür çalışmaları incelendiğinde, YSA'nın güçlü bir modelleme tekniğine sahip olduğu gözükmektedir [18-19]. Yapılan bir çalışma da, kıvılcım ateşlemeli sırasıyla methanol ve benzin yakıtı kullanılan bir motorun BSFC'sini (fren spesifik yakıt tüketimini), CO (karbon monoksit) ve HC (yanmamış hidrokarbon) egzoz emisyonlarını ve AFR'yi (yakıt-hava oranı) tahmin etmek için YSA (yapay sinir ağları) modellemesinin kullanımını araştırılmıştır. YSA modelinin sırasıyla test verileri için BSFC, CO, HC ve AFR için 0.998621, 0.977654, 0.998382 ve 0.996075 korelasyon katsayısı ile motor performansını ve egzoz emisyonlarını öngörebildiği bulunmuş olup, gelişmiş YSA modeli, fren spesifik yakıt tüketimini ve içten yanmalı motorların egzoz emisyonlarını tahmin etmek için oldukça güçlü olduğu ortaya koyulmuştur [1]. 463
Bir başka çalışma da methanol yakıtı kullanan bir motorun BSFC, Efektif güç, Ortalama efektif basınç ve Egzoz gazı sıcaklığı YSA ile tahmin edilmesi düşünülmüştür. YSA modeli eğitilmiş ve sonuçlara bakıldığında ise, BSFC, Efektif güç, Ortalama efektif basınç ve Egzoz gazı sıcaklığını tahmin edilebilmesi için YSA modelin çok güçlü olduğu görülmüştür [17]. Diğer bir çalışma da bir benzin motorunun YSA modeli ile BSFC, Fren termal verimi, Egzoz gazı sıcaklığı ve Egzoz emisyonu değerleri tahmin edilmeye çalışılmıştır. YSA modeli motor performansını, egzoz emisyonlarını ve egzoz gazı sıcaklığını 0.983-0.996 aralığındaki korelasyon katsayılarıyla, 1.41-6.66 aralığında ortalama göreli hatalarla ve çok düşük kök kareler ortalama hataları ile oldukça iyi bir şekilde tahmin edebilmiştir [20]. Başka bir çalışma da atıklardan elde edilen biyodizel yakıtını kullanan bir dizel motorun, yapay sinir ağı modellemesi ile motorun fren gücü, torku, spesifik yakıt tüketimi (SFC) ve egzoz emisyonlarını tahmin edilmiştir. YSA modeli sırasıyla motor torku, SFC, CO ve HC emisyonları için korelasyon katsayısı 0.9487, 0.999, 0.929 ve 0.999 ile motor performansını ve egzoz emisyonlarını oldukça iyi tahmin edebilmiştir [21]. Bu çalışma da, bir dizel motorunda yakıt olarak biyodizel ve farklı oranlarda bütanol katılmasıyla motor performansına ve emisyon değerlerine etkisi incelenmiştir. YSA tahmin modelinde ise, giriş katmanında motor yükü ve devri, efektif verim, ve egzoz gazı sıcaklığı kullanılarak geliştirilmiştir. Özgül yakıt tüketimi, HC ve CO emisyonları tahmin edilmiştir. 2. DENEYSEL ÇALIŞMA Motor Testleri Karabük Üniversitesi Makine Mühendisliği Bölümü Otomotiv Anabilim Dalı laboratuvarlarında gerçekleştirilmiştir. Deneyler tek silindirli, 4 zamanlı, direkt püskütrmeli, sıkıştırma oranı 18/1 olan, 296 cm 3 motor hacmine sahip, Katana marka bir araştırma motorunda yapılmıştır. Motorun yüklenmesinde, sürekli çıkış gücü 3,4 kw, gerilim değeri 230 volt ve frekans değeri 50 Hz olan KD 4500 E model bir jeneratörden faydanılmıştır. Deneylerde yakıt olarak dizel, biyodizel ve bütanol kullanılmıştır. Biyodizel yakıtı olarak soya bitkisinden elde edilen biyodizel kullanılmıştır. Bütanol olarak bütanolün izomerlerinden biri olan n-bütanol kullanılmıştır. Deney yakıtlarının özellikleri Tablo 1 de ayrıntılarıyla gösterilmiştir. Tablo 1. Deney Yakıtının Özellikleri Yakıt Özellikleri n- Bütanol Biyodizel Alt Isıl Değer (kj/kg) 33120 39760 Isıl değeri (MJ/kg) 33 39,7 Kendi Kendine Tutuşma Sıcaklığı ( C) 430 380 Kaynama Noktası ( C) 117 190-280 Donma Noktası ( C) -108-15 Yoğunluk (kg/m3) 802 878 Buharlaşma Isısı (MJ/kg) 0,43 0,429 Setan Numarası 15 den düşük 54-55 Deneyler sırasında dizel ve biodizel motor yakıtı ilk olarak saf halde denendi. Daha sonra biodizel yakıtının içerisine ilave edilen bütanol miktarı arttırılarak deneyler tekrarlandı. Dizel yakıtı ve bütanol hacimsel olarak karıştırılmıştır. Bu karışımda bütanol sırasıyla %5, %10, %15 hacimsel oranlarda karıştırılarak deneyler gerçekleştirildi. Deney motorunun egzoz emisyonlarının ölçümü için SPIN ITALO Plus egzoz gaz analiz cihazı kullanılmıştır. HC, CO, NOx, CO 2, λ (hava fazlalık katsayısı) ve O 2 değerleri egzoz gazı analiz cihazı ile ölçülebilmektedir. Ayrıca dizel motorları için is emisyonları belirlenmektedir. Ölçüm sonrasında değerler çıktı olarak alınabilmektedir. Tablo 2 de egzoz gaz analiz cihazının teknik özellikleri verilmiştir. Deney düzeneğinin şematik görünümü Şekil 1 de verilmektedir. Tablo 2. Egzoz Gaz Analiz Cihazının Teknik Özellikleri Ölçüm Ölçüm Aralığı Hassasiyet CO (%Hacimsel) 0-15,00 ± 0,01 CO 2 (%Hacimsel) 0-20,00 ± 0,01 HC (ppm) 0-4000 ± 5 NO x (ppm) 0-20000 ± 12 O 2 (%Hacimsel) 0-25 ± 0,1 Deneysel çalışmada ilk olarak motorun ayarları kontrol edilmiş, motor çalışma sıcaklığına getirildikten sonra deneylere başlanmıştır. Bu çalışmada, biodizel yakıtına butanol ilavesinin motor performansına ve egzoz emisyonlarına etkisini analiz etmek için, farklı motor yüklerinde (500, 750, 1000, 1250, 1500 Watt) testler gerçekleştirilmiştir. Ayrıca 1250 Watt lık yük referans değer olarak seçilerek bütanol oranının performans ve emisyon değerleri üzerindeki etkisi daha anlaşılır bir şekilde ifade edilmiştir. Deneylerde ölçülen ve hesaplanan parametreler motor performansı açısından; efektif verim, özgül yakıt tüketimi (ÖYT), egzoz gaz sıcaklığı, egzoz emisyonları açısından ise; NOx, is, CO, ve HC değişkenleridir. Deneylerin yapılış aşamasında; jeneratöre dijital bir takometre ve 250, 500 ve 1000 Watt lık halojen ampullerden oluşan bir yükleme ünitesi ilave edilerek oluşturulan bir sistemle motorun yüklenmesi sağlanmıştır. Jeneratör ünitesi motor devrini sabit devirde (3000 d/d) tutmaktadır. Böylelikle testler sabit devir ve değişik yüklerde yapılabilmiştir. Motor orjinal püskürtme basıncında dizel, biodizel ve hacimsel olarak belirli oranlardaki biodizel-bütanol karışımları ile (BÜ0, BÜ5, BÜ10, BÜ15); farklı motor yüklerinde (500, 750, 1000, 1250, 1500 Watt) çalıştırılarak, her bir çalışma durumunda motor kararlı hale geldikten sonra egzoz gaz sıcaklığı (EGS), CO, HC, NO x ve İs emisyonları kaydedilmiş, yakıt sarfiyatı, efektif verim ve özgül yakıt tüketimi ile ilgili ölçümler yapılmış ve hesaplanmıştır. Elde edilen deneysel test sonuçları, tahminleme çalışmasının yapılabilmesi için YSA nın modelinin oluşumu, eğitimi ve test edilmesi için kullanılmıştır. 464
1- Jeneratör 2- Deney Motoru 3- Dizel Yakıt Deposu 4- Elektronik Terazi 5-Yakıt Vanası 6- Emisyon Ölçüm Cihazı 7- İs Emisyon Ölçüm Cihazı 8- İs Emisyon Ölçüm Cihazı İndikatörü 9- Dijital Termometre 10- Yük Kontrol Panosu 11- Yük Ünitesi Şekil 1. Deney Seti Şematik Görünümü 3. YSA MODELİNİN OLUŞTURULMASI 3.1. Ağ Yapısı YSA sinir hücrelerinden oluşmakta olup üç adet katmana sahiptir. Bunlar giriş, saklı ve çıkış katmanı olarak bilinmektedir. Giriş katmanına gelen veriler nöronlara gelmektedir. Bu veriler insan sinir hücrelerinde olduğu gibi nöron çekirdeğine gönderilmektedir. Giriş katmanından nöron çekirdeğine gönderilen veriler bağlantılı oldukları çevrelerin ağırlıklarıyla (w1, w2, w3) çarpılırlar. Bu şekilde girdilerin çıktılar üzerindeki etkileri ayarlanabilmektedir. Bir nöron hücresine ağırlıklarla çarpılarak gelen veriler birleştirme fonksiyonu tarafından toplanarak o hücrenin net girdisi oluşturulur. Toplam fonksiyonu aşağıdaki 1 numaralı eşitlikte verilmiştir. f (NET) = 3.2. Ağ Modellemesi 1 1+e NET (2) Ağ modellememiz incelendiğinde yapılan bu çalışmada giriş katmanında sabit dört adet nöron, en iyi çıktı sonucuna ulaşmak için sürekli değişken bir nöron sayılarına sahip olan iki adet saklı katman ve bir adet nöronu bulunan çıktı katmanından oluşmaktadır. Oluşturulan ağ modeli Şekil 2 de verilmiştir. NET = X İ W İ (1) Birleştirme (toplama) fonksiyonundan çıkan NET toplam hücrenin çıktısını oluşturmak üzere aktivasyon fonksiyonuna iletilir. Aktivasyon fonksiyonu seçilirken dikkat edilmesi gereken nokta foknsiyonun türevinin kolay hesaplanabilir olmasıdır. Ağ yapısı geri beslemeli olması nedeniyle aktivasyon fonksiyonunun türevi kullanılmaktadır. Dolayısıyla hesaplamanın yavaşlamaması için türevi kolay hesaplanabilir bir fonksiyon seçilmelidir [22]. Bu nedenle bu çalışma da türevi kolay hesaplanabilen aktivasyon fonksiyonu olan sigmoid fonksiyonu seçilmiştir. Bu fonksiyon 0 ile 1 arasında değerler vermektedir. Sigmoid fonksiyonu formülü aşağıda 2 numaralı eşitlikte verilmiştir. Fonsiyonun 0 ile 1arası değer üretmesi nedeniyle giriş verileri MATLAB programı tarafından normalize hale getirilerek giriş verilerinin 0 ile 1 arasında değerler alması sağlanmıştır. Şekil 2. Ağ Modelinin Mimari Yapısı Bir YSA modelinin ağırlıklarını belirlemek için bir çok öğrenme algortiması bulunmaktadır. Bunlardan en yaygın kullanılanı geri yayılım algoritmasıdır. Bu ağ öğrenme algoritması etki eden ağırlıkları sürekli değiştirerek aralarında farklılılar bulunan giriş verileri ile çıkış değerlerini 465
ilişkilendirmektedir. Ağ öğrenme parametresi en uygun çıkış değerini sağlamak için çok önemlidir. Bu parameter sabit olabilmekte veya dinamik olarak ağ modeli içerisinde güncellenebilmektedir [17]. Ağın birden çok eğitim fonksiyonu bulunmaktadır. Bu fonksiyonlara örnek vermek gerekirse, (BFGS) quasi-newton geri yayılım, One step secant (OSS) geri yayılım, Levenberg- Marquardt (LM) geri yayılım, Scaled conjugate gradient (SCG) geri yayılım vb. Algoritmaları öne çıkmaktadır [23]. Deneysel verilere yakın çıktı verilerini ağdan elde etmek için uygun eğitim fonksiyonu ve nöron sayısını belirlemek gerekmektedir. Bu nedenle, ağ yapısını oluştururuken farklı eğitim fonksiyonları ile birlikte gizli katmanlarda farklı nöron sayıları kullanıldı ve bu şekilde ağ üzerinden deneysel verilere oldukça yakın en iyi çıktı verileri elde edilmiştir. Şekil 2 de görüldüğü gibi en uygun özgül yakıt tüketimi çıktı verisi elde edilebilmek için ağ yapısı 4-10-15-1 şeklinde ve LM eğitim algoritması kullanılarak gerçekleştirildi. Tablo 3 te özgül yakıt tüketimi için en iyi öğrenme algoritması ve optimal nöron sayısı değerleri verilmektedir. Diğer çıkış parametreleri için en iyi öğrenme algoritmaları ve ağ mimarisi yapıları sırasıyla; HC ve CO emisyonu için LM:4-6-2-1, LM:4-6-2-1, olarak bulundu. Tablo 3. Özgül yakıt tüketimi (be) için en iyi öğrenme algoritması ve optimal nöron sayısı değerleri Öğrenme Algoritması Nöron Sayısı MAPE R 2 LM 6-2 0,0085 0,9206 LM 4-2 0,0029 0,9908 LM 3-1 0,0079 0,9178 LM 10-15 0,00054 0,9949 LM 5-2 0,0020 0,9935 SCG 10-18 0,0084 0,8749 SCG 5-2 0,0324 0,0293 SCG 7-9 0,0172 0,6469 SCG 8-5 0,0086 0,8752 SCG 13-17 0,0092 0,7458 BFG 10-12 0,0029 0,9867 BFG 8-3 0,0048 0,9600 BFG 5-2 0,0078 0,8847 BFG 7-4 0,0101 0,8914 BFG 6-3 0,0094 0,8903 OSS 4-1 0,0178 0,6836 OSS 10-12 0,0083 0,9339 OSS 9-3 0,0178 0,6310 OSS 18-22 0,0095 0,8973 OSS 3-2 0,0321 0,0463 Ağ çıktıları istatistiksel olarak değerlensdirmeye tabi tutuldu. Öncelikle MAPE, (Yüzdelik ortalama sapma miktarı) ağın tahmin ettiği değer ile deneysel veri arasındaki değişimin kaç kat olduğu yüzdesel olarak belirlenmesi durumudur. Bu değerin sıfıra oldukça yakın olması istenir. Veri ölçeklerinin çok iyi olmadığı durumda MAPE çok iyi sonuç vermeyecektir. Bu nedenle R değerlerine bakmak daha mantıklı olacaktır. R değeri deneysel veriler ile tahmin ettiğimiz ağ çıktılarında oluşan veriler arasındaki korelasyonu göstermektedir. Tahminimizin gücü için R değeri yerine R 2 değerini kullanırız. R değeri -1 ile 1 arası değer alırken R 2 değeri 0 ile 1 arası değer almaktadır. İyi bir tahmin için R 2 değerinin 1 e yakın olması beklenmektedir [24, 25]. MAPE = Mean(abs(ye yv))./yv (3) Sstotal = sum((ye yv). ^2 (4) Sserror = sum((ye yv). ^2) (5) R 2 = 1 Sserror/Sstotal (6) Burada ağ çıktısı ye, deneysel veri yv değerini ifade etmektedir, YSA tarafından tahminlenen veriler ile deneysel veriler MAPE ve R 2 istatiksel araçları kullanılarak kıyaslanmıştır. 4. SONUÇLAR ve TARTIŞMA 4.1. Motor Gücüne bağlı olarak Efektif verim, Egzoz gaz sıcaklığı, HC ve CO emisyonu değerleri Deneysel olarak gerçekleştirilen bu çalışmada, biodizel yakıtına butanol ilavesinin motor performansına ve egzoz emisyonlarına etkisini analiz etmek için, farklı motor yüklerinde (500, 750, 1000, 1250, 1500 Watt) testler gerçekleştirilmiştir. Ayrıca 1250 Watt lık yük referans değer olarak seçilerek bütanol oranının performans ve emisyon değerleri üzerindeki etkisi daha anlaşılır bir şekilde ifade edilmiştir. Biyodizel yakıtı içerisine bütanol ilavesinin efektif verime etkisi Şekil 3a da görülmektedir. Efektif verim, yakıtın yakılması ile oluşan enerjinin ne kadarının faydalı işe dönüştürülebildiğinin bir göstergesidir. Yanma sonucunda açığa çıkan enerjisinin büyük bir kısmının yağlama, soğutma ve egzoz gazları tarafından motordan uzaklaştırıldığı bilinmektedir. Bunun neticesinde ancak geriye kalan enerji motorlarda güce dönüştürülebilmektedir. Şekil 3a incelendiğinde efektif verim 1250 Watt yükte biyodizelbütanol karışımlarının diğer yük durumlarına göre daha iyi bir grafik çizdiği görülmektedir. Şekil 3b de yakıt türlerinin özgül yakıt tüketimi değişimlerini göstermektedir. Biyodizel yakıtına ilave edilen bütanol miktarı arttıkça ÖYT nin de arttığı açıkça görülmektedir. Bütanol yakıtının alt ısıl değeri biyodizele göre daha düşük olduğu için, biyodizel yakıtına ilave edilen bütanol ile yakıt karışımının ısıl değeri düşmekte ve bu durum ÖYT nin artmasına neden olmaktadır. 1250 Watt yükte BÜ15 yakıtıyla biyodizel yakıtına göre ÖYT %10 artmıştır. Ayrıca biyodizel-bütanol karışımlarının yoğunlukları standart dizel ve biyodizel yakıtlarının yoğunluğuna oranla daha düşüktür. 466
Bunun sonucunda da, motorun aynı çıkış gücünü verebilmesi için silindir içerisine püskürtülen yakıtın kütlesinin artırılması gerekir. Şekil 3c de biyodizel yakıtına bütanol ilavesinin hidrokarbon (HC) emisyonlarına etkisi verilmiştir. HC yanmamış yakıttır. Egzoz gazları içerisinde HC karbonun bulunması yakıtın kısmen veya tamamının yanmamasıdır. Dizel motorlarda HC emisyonlarının artmasının nedeni fakir karışımda H/Y oranının çok artması ile yanma odasındaki bazı bölgelerde karışımın aşırı fakirleşmesi sonucu, karışım oranının tutuşma ve yanma sınırının üzerine çıkması sonucu alevin sönmesinin bir sonucu olduğu düşünülebilir. Ayrıca düşük silindir sıcaklıkları da HC emisyonunu artırmaktadır. Biyodizel yakıtına karıştırılan izobütanol miktarı ile doğru orantılı olarak HC emisyonlarındaki artış her motor yükünde görülmektedir. Bu artışın temel sebebi silindir içerisinde izobütanol standart dizel yakıtı karışımlarının tam olarak yanamamasıdır. Bütanolün yüksek buharlaşma ısısı yanma sıcaklığını düşürmekte ve HC emisyonu da artmaktadır. BÜ15 yakıtıyla biyodizele göre HC emisyonunda %34 artış tespit edilmiştir. Şekil 3d de biyodizel yakıtına bütanol ilavesinin karbon monoksit (CO) emisyonlarına etkisi verilmiştir. CO oluşumunun gerçek sebebi yeterli oksijen bulunmadığı için yanmanın eksik olmasıdır. Motor yükü arttıkça hava/yakıt oranı azalmakta ve CO miktarı da artmaktadır. Dizel motorlarında CO oluşumu silindir içerisindeki oksijen, yakıt özellikleri, motor yükü ve hava yakıt oranı ile ilişkilidir. Dizel motorlarında CO emisyonlarının oluşumu yüksek hava fazlalık katsayısı ile çalıştıklarından dolayı azdır. Silindirler içerisinde daima yakabileceklerinden daha çok hava mevcuttur. Bu da CO emisyonlarını azaltan bir etmendir. Bütanolün yapısında oksijen bulunması CO emisyonunun azalmasında etkili olmaktadır. 1250 Watt yükte BÜ15 yakıtıyla biyodizele göre CO emisyonunda %49 azalma elde edilmiştir. Şekil 3. Yüzdece butanol oranlarına göre dizel motoru için farklı performans değeri 4.2. YSA ile motor performansının tahmin edilmesi Bir dizel motorda butanolün performans etkisini değerlendirmek için pratik bir yaklaşım olan YSA model kullanılmıştır. Bu oluşturulan model test edilerek, motor Özgül yakıt tüketimi, HC ve CO emisyonları tahmin edilmeye çalışılmıştır. Oluşturulan ağ yapısı, 4 adet girişe sahiptir: Motor devri, Motor gücü (yükü), Efektif verim ve Egzoz gazı sıcaklığıdır. İstatiksel değerler her bir parametre için açık bir şekilde Tablo 4 te verilmiştir. Tablo 4. Dizel motoru için YSA istatiksel değerler Hedef Öğrenme Nöron MAPE R 2 Algoritması Sayısı be LM 10-15 0,00054 0,9949 HC LM 6-2 0,0044 0,9942 CO LM 6-2 0,0347 0,9934 Görüldüğü üzere R 2 değeri her bir veri için 1 e oldukça yakındır. Aynı zamanda MAPE değeri oldukça düşüktür. Tüm sonuçlara bakıldığında tüm veriler için hata miktarları Kabul edilebilir değerlerdedir. (+ 1 ile -1 arası) Oluşturulan ağın özgül yakıt tüketimi (be), HC ve CO emisyonları için tahmin yeteneği oldukça tatmin edici olmuştur. YSA modeli üzerinde yapılan testler süresince; %0,002 hata ile be, %0.0044 hata ile HC ve % 0.0347 hata ile CO emisyonu tahmini yapılmıştır. Deneysel veriler ile YSA modelinin çıktı değerlerinin kıyaslanması Şekil. 4 de gösterilmiştir. Şekil. 4 incelendiğinde be, HC ve CO değerleri için ağın tahmin yeteneğinin çok iyi olduğu anlaşılmaktadır. 467
Şekil 4. Deneysel veriler ile YSA modelinin çıktı değerlerinin kıyaslanması (be, HC ve CO) 5. SONUÇ Bu çalışmada Özgül yakıt tüketimi, HC ve CO emisyonları değerlerinin tahmin performansı için YSA kullanılabilrliği ve uyğunluğu araştırılmıştır. Ağın eğitilmesi için giriş değerleri olarak motor devri, motor yükü (gücü), efektif verim, egzoz gazı sıcaklığı kullanılırken çıktı olarak özgül yakıt tüketimi, HC ve CO emisyonu değerleri kullanılmıştır. Bazı deneysel veriler kullanılarak standart geri yaylım algoritması ile YSA modeli geliştirilmiştir. Sonrasında ise YSA nın tahmin performansı ise deneysel verilerle tahmin değerlerinin karşılaştırılmasıyla ölçülmüştür. Ağın eğitilmesi sonucunda, elde edilen tahmin değerleri istatiksel araçlarla incelendiğinde R 2 değeri ile ağın tahmin gücü ölçülmüştür. Ve R 2 değeri 1 e oldukça yakın bulunmuştur. Tüm tahmin verilerinde ortalama mutlak hata yüzde değeri %1 den oldukça küçük çıkmıştır. Sonuçlara bakıldığında oldukça uygun değerlerde olduğu görülmüştür. Ağ kullanılırken emisyon değerleri ve motor performansı arasındaki ilişki farklı motor yüklerinde ve farklı bütanol oranlarında belirlenmiştir. Bu yüzden motor performansı ve egzoz emisyonları tahmini için uzun zaman harcayan ve karışık deneysel çalışmalar yerine YSA modeli kesinlikle önerilmektedir. Bu çalışma, klasik modelleme tekniğine bir alternatif olarak YSA modeli yaklaşımının içten yanmalı motorlarda görülen performans, sıcaklık ve diğer parametrelerin tahminlenmesinde oldukça doğru bir sonuç vermesi nedeniyle içten yanmalı motorlardaki problemler için kullanılabilir bir modelleme biçimi olduğunu göstermiştir. KAYNAKLAR [1] Y. Çay, İ. Korkmaz, A. Çiçek, F. Kara, Prediction of engine performance and exhaust emissions for gasoline and methanol using artificial neural network, Energy., vol. 50, pp. 177-86, 2013. [2] Lenin AH, Azhagesan N, Berlin Selva Rex CR, Thyagarajan K. Performance of diesel engine operating with pongamia methyl esters as biodiesel, Asian J Sci Res, vol. 5, pp. 153-161 2012. [3] Yılmaz N, Francisco M. V, Kyle B, Stephen M. D, Antonio C, Effect of biodiesel butanol fuel blends on emissions and performance characteristics of a diesel engine, Fuel, vol. 135, pp. 46-50, June 2014. [4] Yilmaz N, Donaldson AB, Johns A., Some perspectives on alcohol utilization in a compression ignition engine, SAE Trans J Fuels Lubricants, vol. 114, pp.1198 1203, 2005. [5] M.B. Celik, B. Ozdalyan, F. Alkan, The use of pure methanol as fuel at high compression ratio in a single cylinder gasoline engine, Fuel vol. 90, pp. 1591-1598, 2011. 468
[6] Yilmaz N, Donaldson AB., Modeling of chemical processes in a diesel engine with alcohol fuels. ASME J Energy Resour Technol, Vol. 129, pp.355-359, 2007. [7] Karabektas M, Hosoz M., Performance and emission characteristics of a diesel engine using isobutanol diesel fuel blends. Renewable Energy, vol.34, pp. 1554 9, 2009. [8] Rakopoulos DC, Rakopoulos CD, Giakoumis EG, Dimaratos AM, Kyritsis DC., Effects of butanol diesel fuel blends on the performance and emissions of a highspeed DI diesel engine. Energy Convers. Manage., vol. 51, pp. 1989-97, 2010. [9] Dogan O. The influence of n-butanol/diesel fuel blends utilization on a small diesel engine performance and emissions. Fuel, vol. 90, pp. 2467-72, 2011. [10] Rakopoulos DC, Rakopoulos CD, Hountalas DT, Kakaras EC, Giakoumis EG, Papagiannakis RG. Investigation of the performance and emissions of a bus engine operating on butanol/diesel fuel blends. Fuel, vol.89, pp. 2781-90, 2010. [11] Yao M, Wang H, Zheng Z, Yue Y. Experimental study of butanol additive and multi-injection on HD diesel engine performance and emissions. Fuel, vol. 89, pp. 2191-201, 2010. [12] Chen Z, Wu Z, Liu J, Lee C. Combustion and emissions characteristics of high butanol/diesel ratio blend in a heavy-duty diesel engine and EGR impact. Energy Convers Manage., vol. 78, pp. 787-95, 2014. [13] Chen Z, Liu J, Han Z, Du B, Liu Y, Lee C., Study on performance and emissions of a passenger-car diesel engine fueled with butanol diesel blends. Energy, vol. 55, pp. 638-46, 2013. [14] Merola SS, Tornatore C, Iannuzzi SE, Marchitto L, Valentino G. Combustion process investigation in a high speed diesel engine fuelled with butanol diesel blend by conventional methods and optical diagnostics. Renewable Energy, vol. 64, pp. 225-37, 2014. [15] Armas O, Garcia-Contreras R, Ramos A., Pollutant emissions from engine starting with ethanol and butanol diesel blends. Fuel Process Technol., vol. 100, pp. 63-72, 2012. [16] Zhang ZH, Balasubramanian R., Influence of butanol diesel blends on particulate emissions of a nonroad diesel engine. Fuel, vol. 118, pp. 130-6, 2014. [17] Cay Y, Cicek A, Kara F, Sagiroglu S., Prediction of engine performance for an alternative fuel using artificial neural network. Appl Therm Eng., vol. 37, pp. 217-25, 2012. [18] J. Porteiro, J. Collazo, D. Patiño, J.L. Míguez, Diesel engine condition monitoring using a multi-net neural network system with nonintrusive sensors, Applied [18] Thermal Engineering vol. 31, pp. 4097-4105, 2011. [19] T. Boushaki, S. Guessasma, J.C. Sautet, Predictive analysis of combined burner parameter effects on oxyfuel flames, Applied Thermal Engineering, vol. 31, pp. 202-212, 2011. [20] Sayın C., Ertunç H.M., Hosoz M, Kılıçaslan İ., Çanakçı M., Performance and exhaust emissions of a gasoline engine using artificial neural network. Applied Thermal Engineering, vol. 27, pp. 46-54, 2007. [21] B. Ghobadian, H. Rahimi, A.M. Nikbakht, G. Najafi, T.F. Yusaf, Diesel engine performance and exhaust emission analysis using waste cooking biodiesel fuel with an artificial neural network. Renewable Energy, vol. 34, pp. 976-82, 2009. [22] Kubat C., Matlab ile Yapay Zeka ve Mühendislik Uygulamaları, 2 inci basım, İstanbul, Türkiye: Pusula, 2014. [23] V. Vacic. (2018) UC Rıverside Üniversitesi Erişim: http://www.cs.ucr.edu/~vladimir/cs171/nn_summary.pdf [24] Fox J., Applied Regression Analysis and Generalized Linear Models, 3 üncü basım, Kanada: SAGE, 2016. [25] Walpole R., Myers R., Myers S., Ye K., Mühendislik ve Fen Bilimleri İçin Olasılık ve İstatistik, 9 uncu basımdan çeviri, Ankara, Türkiye: Palme, 2016. 469