تخمین هوشمند الایندگی و مصرف سوخت یک خودرو سبک بنزینی با رویکرد مبتنی بر شبکه های عصبی عمیق حافظه دار در شرایط رانندگی واقعی

در این پژوهش، مدلی مبتنی بر شبکه عصبی مصنوعی برای پیش بینی همزمان آلایندگی و مصرف سوخت خودرو در شرایط رانندگی واقعی توسعه یافت. داده­ های چرخه استاندارد NEDC برای آموزش و اعتبارسنجی مدل استفاده شدند. ورودی­ های مدل شامل سرعت خودرو و موتور، زاویه پدال و دریچه گاز، دمای هوای ورودی موتور، آب رادیاتور، دود خروجی قبل از پالایشگر و مرکز پالایشگر، زاویه جرقه و میل بادامک و فشار ورودی هوا بعد از دریچه گاز بود که مستقیما بر تولید آلاینده‌ها تأثیر دارند. نتایج نشان داد شبکه حافظه‌ دار توانست روند تغییرات کلیدی آلاینده‌ها شامل کربن مونوکسید ، اکسیدهای نیتروژن و مصرف سوخت را با دقت بالا بازتولید کند. مقایسه دو چرخه نشان داد آلایندگی و مصرف سوخت در شرایط واقعی به طور قابل توجهی بالاتر است که ناشی از توقف‌های مکرر، شتاب‌ گیری‌های ناگهانی و تأخیر فعالسازی کاتالیست است. یافته‌ها بیانگر آن است که شبکه‌های عصبی جایگزین مناسبی برا ی آزمون‌های پرهزینه اندازه­ گیری آلایندگی هستند و می‌توانند ابزارهای پیش‌بینی دقیق برای حمل ونقل پایدار و سیاست‌های زی ست محیطی فراهم کنند.