DOI: https://doi.org/10.1038/s41598-025-07964-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40664901
تاريخ النشر: 2025-07-15
المؤلف: Menelik Walle وآخرون
الموضوع الرئيسي: تكنولوجيا محركات الاحتراق المتقدمة
نظرة عامة
تقيّم هذه الدراسة أداء محرك الاحتراق الشراري باستخدام خلطات الإيثانول والبنزين (E0، E10، E20، وE30) وتستخدم نموذج الشبكة العصبية الاصطناعية (ANN) للتنبؤ بمقاييس الأداء الحرجة مثل استهلاك الوقود المحدد بالفرامل (BSFC)، وكفاءة الاحتراق، والضغط الأقصى في الأسطوانة. تشير النتائج إلى أن كفاءة الاحتراق تتحسن مع زيادة محتوى الإيثانول، حيث حقق E30 كفاءة تبلغ حوالي 77.5% عند 1500 دورة في الدقيقة، مقارنة بـ 65% للبنزين النقي (E0). ومع ذلك، تنخفض كفاءة الاحتراق عند سرعات دوران مرتفعة بسبب زيادة الخسائر الحرارية والاحتكاكية. لقد التقط نموذج ANN هذه الاتجاهات بفعالية، على الرغم من أنه أظهر تقديرات زائدة قليلاً للخلطات ذات الإيثانول المنخفض وتقديرات ناقصة للخلطات ذات الإيثانول العالي، مما يشير إلى مجالات لمزيد من التحسين.
كما وجدت الدراسة أن خلطات الإيثانول أدت إلى قيم BSFC أقل، حيث حقق E30 أفضل كفاءة تبلغ 0.21 كجم/كWh عند 2500 دورة في الدقيقة، خاصة في نطاق السرعات المتوسطة (2000-2500 دورة في الدقيقة). زاد الضغط الأقصى في الأسطوانة مع RPM لجميع الخلطات، حيث وصل E0 إلى 28.2 بار عند 3500 دورة في الدقيقة، بينما أظهرت الخلطات ذات الإيثانول العالي ضغوطًا أقل قليلاً بسبب كثافة الطاقة المنخفضة للإيثانول. أظهر نموذج ANN قدرات تنبؤية قوية، مع معاملات ارتباط عالية (R² > 0.98) وأخطاء متوسطة مربعة منخفضة (MSE) للمعلمات التي تم تقييمها. تؤكد الأبحاث على إمكانية خلطات الإيثانول والبنزين لتعزيز أداء المحرك وتقليل الانبعاثات، داعية إلى مزيد من الدراسات حول الخلطات ذات الإيثانول العالي ودمج تقنيات النمذجة المتقدمة لتحسين الدقة والموثوقية في التطبيقات الواقعية.
الطرق
تستقصي منهجية هذه الدراسة أداء محرك الاحتراق الشراري (SI) باستخدام وقود مخلوط من الإيثانول والبنزين، مستخدمة الشبكات العصبية الاصطناعية (ANN) لتنبؤ الأداء. تم هيكلة البحث في مكونين رئيسيين: إعداد تجريبي ونمذجة ANN. استخدمت المرحلة التجريبية محرك Lifan (177F-B) أحادي الأسطوانة، رباعي الأشواط، حيث تم اختبار خلطات مختلفة من الإيثانول والبنزين (E10، E20، E30) تحت ظروف مضبوطة. تم قياس معلمات الأداء الرئيسية، بما في ذلك سرعة المحرك، واستهلاك الوقود، ودرجة حرارة غاز العادم، وكفاءة الاحتراق، بدقة باستخدام أدوات معايرة. تم إعداد الخلطات من خلال الخلط الحجمي وخضعت لاختبارات الاستقرار، لضمان التجانس والاستقرار الكيميائي طوال التجارب.
تم تطوير نموذج ANN للتنبؤ بكفاءة الاحتراق، والضغط الأقصى في الأسطوانة، واستهلاك الوقود المحدد بالفرامل (BSFC) عبر نسب وقود حيوي مختلفة. أشارت النتائج إلى أن النموذج التقط بفعالية الاتجاهات في كفاءة الاحتراق والضغط الأقصى، على الرغم من أنه أظهر انحيازات منهجية – حيث قلل من تقديرات الكفاءات للخلطات ذات الإيثانول العالي وزاد من تقديرات الخلطات ذات الإيثانول المنخفض. على سبيل المثال، عند 1500 دورة في الدقيقة، حقق Bio-Fuel 30 كفاءة احتراق تبلغ حوالي 77.5%، بينما قلل نموذج ANN قليلاً من هذه القيمة. كما أظهرت توقعات النموذج لـ BSFC اتجاهًا مشابهًا، حيث أظهرت الخلطات ذات الإيثانول العالي كفاءة أفضل في استهلاك الوقود. بشكل عام، بينما أثبت نموذج ANN فائدته في محاكاة سلوك المحرك وتحسين الأداء، يُقترح إجراء مزيد من التحسينات لتعزيز دقة التنبؤ، خاصة للوقود ذي المحتوى المنخفض من الإيثانول. يُعتبر دمج نماذج ANN في أنظمة التحكم في المحركات استراتيجية فعالة من حيث التكلفة لمصنعي السيارات، مما يقلل الحاجة إلى اختبارات فعلية مكثفة ويسهل التعديل التكيفي للبدائل المستدامة للوقود.
النتائج
تقيّم نتائج الدراسة أداء محرك يعمل على خلطات الإيثانول عبر سرعات محرك مختلفة. تشمل معلمات الأداء الرئيسية التي تم تقييمها كفاءة الاحتراق، والضغط الأقصى للاحتراق، واستهلاك الوقود المحدد بالفرامل. تم تحليل هذه المعلمات فيما يتعلق بتغيرات سرعة المحرك، ومعدل التدفق الكتلي، ونسبة الوقود الحيوي، ودرجة حرارة غاز العادم.
تشير النتائج إلى وجود اختلافات ملحوظة في خصائص أداء المحرك عند مقارنة البنزين النقي بخلطات البنزين والإيثانول. على وجه التحديد، تم قياس الضغط الأقصى أثناء الاحتراق ومقارنته، حيث تم تقديم القيم الفعلية والمتوقعة في الشكل 4. توفر هذه التحليلات رؤى حول تأثير خلطات الإيثانول على كفاءة المحرك والديناميات التشغيلية.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الحاجة المتزايدة لتبني الطاقة المتجددة، وخاصة الإيثانول الحيوي، كبديل قابل للتطبيق للوقود الأحفوري التقليدي في محركات الاحتراق الشراري. أدت زيادة تكاليف الوقود الأحفوري والمخاوف البيئية إلى تسريع التحول نحو المصادر المتجددة، حيث يقدم الإيثانول الحيوي فوائد مثل تحسين جودة الهواء وتقليل انبعاثات غازات الدفيئة. يؤكد القسم على أنه بينما يتمتع الإيثانول الحيوي بكثافة طاقة أقل مقارنة بالبنزين، فإن خصائص احتراقه – المعززة بمحتواه من الأكسجين – تؤدي إلى تقليل انبعاثات الملوثات الضارة. كما تشير الدراسة إلى أن خلط الإيثانول الحيوي مع البنزين يمكن أن يعزز أداء المحرك، على الرغم من أنه قد يؤدي إلى زيادة استهلاك الوقود المحدد.
علاوة على ذلك، تحدد الأبحاث فجوة كبيرة في الأدبيات الحالية بشأن النمذجة التنبؤية لأداء المحرك مع خلطات الإيثانول الحيوي. غالبًا ما فشلت الطرق التقليدية في التقاط التفاعلات المعقدة داخل محركات الاحتراق الداخلي، مما أدى إلى تطوير نموذج الشبكة العصبية الاصطناعية (ANN). يتم تدريب هذا النموذج على مجموعة بيانات شاملة من محرك احتراق شراري أحادي الأسطوانة، مع دمج معلمات مختلفة مثل سرعة المحرك ونسب خلط الإيثانول. يهدف إطار عمل ANN إلى تقديم توقعات دقيقة لمقاييس الأداء الحرجة، بما في ذلك استهلاك الوقود المحدد بالفرامل (BSFC) وكفاءة الاحتراق، مما يقلل من الاعتماد على الاختبارات التجريبية المكلفة. تختتم الدراسة بأن هذا النهج المبتكر لا يعزز فقط دقة التنبؤ ولكن أيضًا يقدم حلاً قابلاً للتوسع لتحسين تصميم المحرك واستراتيجيات التحكم في الانبعاثات في سياق استخدام الوقود المتجدد.
DOI: https://doi.org/10.1038/s41598-025-07964-w
PMID: https://pubmed.ncbi.nlm.nih.gov/40664901
Publication Date: 2025-07-15
Author(s): Menelik Walle et al.
Primary Topic: Advanced Combustion Engine Technologies
Overview
This study evaluates the performance of a spark-ignition engine using ethanol-petrol blends (E0, E10, E20, and E30) and employs an Artificial Neural Network (ANN) model to predict critical performance metrics such as Brake Specific Fuel Consumption (BSFC), combustion efficiency, and maximum cylinder pressure. The findings indicate that combustion efficiency improves with higher ethanol content, with E30 achieving approximately 77.5% efficiency at 1500 RPM, compared to 65% for pure petrol (E0). However, combustion efficiency decreases at elevated RPMs due to increased thermal and frictional losses. The ANN model effectively captured these trends, although it exhibited slight overestimations for lower ethanol blends and underestimations for higher blends, suggesting areas for further refinement.
The study also found that ethanol blends resulted in lower BSFC values, with E30 achieving the best efficiency of 0.21 kg/kWh at 2500 RPM, particularly in the mid-RPM range (2000-2500 RPM). Maximum cylinder pressure increased with RPM for all blends, with E0 reaching 28.2 bar at 3500 RPM, while higher ethanol blends showed slightly lower pressures due to ethanol’s lower energy density. The ANN model demonstrated strong predictive capabilities, with high correlation coefficients (R² > 0.98) and low mean squared errors (MSE) for the evaluated parameters. The research underscores the potential of ethanol-petrol blends to enhance engine performance and reduce emissions, advocating for further studies on higher ethanol blends and the integration of advanced modeling techniques to improve accuracy and robustness in real-world applications.
Methods
The methodology of this study investigates the performance of a spark ignition (SI) engine using ethanol-petrol blended fuels, employing Artificial Neural Networks (ANN) for performance prediction. The research is structured into two main components: an experimental setup and ANN modeling. The experimental phase utilized a single-cylinder, four-stroke Lifan (177F-B) engine, where various ethanol-petrol blends (E10, E20, E30) were tested under controlled conditions. Key performance parameters, including engine speed, fuel consumption, exhaust gas temperature, and combustion efficiency, were meticulously measured using calibrated instruments. The blends were prepared through volumetric mixing and subjected to stability tests, ensuring homogeneity and chemical stability throughout the experiments.
The ANN model was developed to predict combustion efficiency, maximum cylinder pressure, and brake-specific fuel consumption (BSFC) across different bio-fuel ratios. The results indicated that the model effectively captured the trends in combustion efficiency and maximum pressure, although it exhibited systematic biases—underestimating efficiencies for higher ethanol blends and overestimating for lower blends. For instance, at 1500 RPM, Bio-Fuel 30 achieved a combustion efficiency of approximately 77.5%, while the ANN model slightly underestimated this value. The model’s predictions for BSFC also showed a similar trend, with higher ethanol blends demonstrating better fuel efficiency. Overall, while the ANN model proved useful in simulating engine behavior and optimizing performance, further refinements are suggested to enhance predictive accuracy, particularly for lower ethanol content fuels. The integration of ANN models into engine control systems is posited as a cost-effective strategy for automotive manufacturers, reducing the need for extensive physical testing and facilitating adaptive tuning for sustainable fuel alternatives.
Results
The results of the study evaluate the performance of an engine operating on ethanol blends across different engine speeds. Key performance parameters assessed include combustion efficiency, maximum combustion pressure, and brake-specific fuel consumption. These parameters were analyzed in relation to variations in engine speed, mass flow rate, biofuel ratio, and exhaust gas temperature.
The findings indicate notable differences in engine performance characteristics when comparing pure gasoline to gasoline-ethanol blends. Specifically, the maximum pressure during combustion was measured and compared, with both actual and predicted values presented in Figure 4. This analysis provides insights into the impact of ethanol blends on engine efficiency and operational dynamics.
Discussion
The discussion section of the research paper highlights the increasing urgency for renewable energy adoption, particularly bioethanol, as a viable alternative to traditional fossil fuels in spark-ignition engines. Rising fossil fuel costs and environmental concerns have accelerated the shift towards renewable sources, with bioethanol offering benefits such as improved air quality and reduced greenhouse gas emissions. The section emphasizes that while bioethanol has a lower energy density compared to gasoline, its combustion characteristics—enhanced by its oxygen content—lead to lower emissions of harmful pollutants. The study also notes that blending bioethanol with gasoline can enhance engine performance, although it may result in higher specific fuel consumption.
Furthermore, the research identifies a significant gap in existing literature regarding predictive modeling of engine performance with bioethanol blends. Traditional methods have often failed to capture the complex interactions within internal combustion engines, leading to the development of an Artificial Neural Network (ANN) model. This model is trained on a comprehensive dataset from a single-cylinder spark ignition engine, incorporating various parameters such as engine speed and ethanol blend ratios. The ANN framework aims to provide accurate predictions of critical performance metrics, including brake-specific fuel consumption (BSFC) and combustion efficiency, thereby reducing reliance on costly experimental testing. The study concludes that this innovative approach not only enhances predictive accuracy but also offers a scalable solution for optimizing engine design and emission control strategies in the context of renewable fuel utilization.