REFERÊNCIAS BIBLIOGRÁFICAS
ANDRADE DE CARVALHO, J. Jr. Emissões em processos de Combustão,
Ed. UNESP, 2003, pp. 1-135.
BARBOSA R., S. Apostila de motores, PUC – Departamento de engenharia
mecânica 2004, pp. 1–78.
BARRETO, J. M. Introdução às Redes Neurais Artificiais, UFSC –
Departamento de Informática e de Estadística, 2002.
CANAKCI, M.; ERDIL, A.; e ARCAKLIOGLU, E. Performance and exhaust
emissions of a biodiesel engine. Applied Energy, 2005, pp. 594–605.
CELIK, V.; e ARCAKLIOGLU, E. Performance maps of a diesel engine,
Applied Energy, 2004, pp. 247 - 259.
COELLO C., C. A. Algoritmos Genéticos y sus Aplicaciones, 2005.
COSTA, P. A Bíblia do Carro, 2002, pp. 1–244.
CUISANO E., J. Redução das emissões em Motores diesel–gás, dissertação
de Mestrado, PUC Rio, 2006.
CHARLES, E.B.J. The John Zink Combustion Handbook, Ed. CRC Press LLC;
Florida, N.W., 2001, pp 1-698.
CHOI, Y.; CHEN, J.Y. Fast prediction of start-of-combustion in HCCI with
combined artificial neural networks and ignition delay model, Proceedings of
the Combustion Institute 30, 2005, pp. 2711–2718.
DE CASTRO V., M. El Motor Diesel en el Automóvil, Enciclopedia del
automóvil, Ediciones CEAC, Barcelona – España 1987.
Referências Bibliográficas P a g . | 119
FAUSETT, L., Fundamentals of Neural Networks, Architectures, Algorithms
and Applications, pp.1-476.
FLÓREZ L., R.; FÉRNANDEZ F., J. M. Las Redes Neuronales Artificiales:
Fundamentos teóricos y aplicaciones prácticas, Addison–Wesley, España–
Madrid, 1995, pp. 1-152.
FREEMAN, J.A.; SKAPURA D. M., Neural Networks: Algorithms, Applications
and Programming Techniques. Ed. ADVISORY BOARD MEMBERS, 1991, pp.
1-414.
GÖLCÜ, M.; SEKMEN, Y.; ERDURANLI, P.; SALMAN, M. Artificial neural-
network based modeling of variable valve-timing in a spark-ignition engine,
Applied Energy 81, 2005, pp. 187–197.
GOLDBERG, D. E. Genetic Algorithms in Search, Optimization, and Machine
Learning, Addison–Wesley, 1989.
GONÇALVES DE M., J. A. Acionamento de maquinas de fluxo por Motores
de Combustão Interna a Gás Natural, dissertação de Mestrado, USP 2006, pp.
1–220.
GUERRERO B., V.P.; LOPEZ-PUJALTE, C. Articulo de Inteligencia Artificial y
documentación, 2002, pp. 65–93.
HAGAN, M.T.; DEMUTH, H.B., Neural Network Design, Ed. PWS Publishing
Company, 1996, pp. 1-734.
HAYKIN, S. Redes Neurais: Princípios e prática, 2da edição, Ed. Bookman,
2001, pp.1-900.
HEYWOOD , J.B. Internal Combustion Engine Fundamentals, Ed. McGraw-
Hill Book Co.; New York, 1988, pp. 1-480.
HILERA, J.R.G. Redes Neuronais Artificiais: Fundamentos, modelos e
aplicações, Ed. ALFA-OMEGA-RAMA, 2000, pp.1-390.
Referências Bibliográficas P a g . | 120
KESGIN, U., Genetic algorithm and artificial neural network for engine
optimisation of efficiency and NOx emission. Fuel, 2004, pp. 885-895.
KOVÁCS L. Z. Redes neurais artificiais. Fundamentos e aplicações, 4ª
edição revisada, São Paulo, Livraria da Física, 2006.
LADEIRA C., M. Desenvolvimento de um sistema de alimentação de
combustível para motores Diesel – Gás, dissertação de Mestrado, PUC Rio
2005.
LEITE C, R. L. B. Regulagem em tempo–real de um sistema integrado de
semáforos: Uma aplicação de redes neurais recorrentes y controle
adaptativo, dissertação de Mestrado, UCB 2006 pp. 31-54.
LUCAS, A.; DURÁN, M.; CARMONA, M.; LAPUERTA, M. Modeling diesel
particulate emissions with neural network. Fuel 80, 2001, pp. 539–548.
LUGER, G. F. Artificial Intelligence structures and strategies of
complex problem solving, 5a edition, Inglaterra – Londres, Pearson Education
Limited, 2002.
MEIRELLES F., C. H. Substituição do Óleo Diesel por Combustível
Alternativo na Geração de Energia Elétrica, dissertação de Mestrado, PUC
Rio 2007.
MICHALEWICZ, Z. Genetic Algorithms + Data Structures = Evolution
Programs, Ed. Springer, 1992, pp.1-390.
MITCHELL M. An Introduction Genetic Algorithms, Ed. A. Bradford Book The
MIT Press, 1999, pp. 1-162.
MORENO, A. Motores de combustão Interna, Apostila 2005,
NAJAFI, G.; GHOBADIAN, B.; TAVAKOLI, T.; BUTTSWORTH, D.;
FAIZOLLAHNEJAD, M. Performance and exhaust emissions of a gasoline
engine with ethanol blended gasoline fuels using artificial neural network.
Applied Energy 86, 2009, pp. 630–639.
Referências Bibliográficas P a g . | 121
NASR, G.; BADR, E.; JOUN, C. Backpropagation neural networks for
modeling gasoline consumption. Energy Conversion and Management 44,
2003, pp. 893–905.
PACHECO, M. A.; VELLASCO, M.; LOPES, C. H., Descoberta de
Conhecimento e Mineração de Dados, ICA, Departamento de Engenharia
Elétrica, PUC – Rio, 1999.
PACHECO, M. A. Notas de Aula em Computação Evolucionaria
(www.ica.ele.puc.rio.br ), 2008.
PACHECO C. P., M. A. Algoritmos Genéticos: Princípios e Aplicações,
Laboratório de Inteligência Computacional Aplicada ICA, Departamento de
Engenharia Elétrica, PUC – Rio, 2001.
PARLAK, A.; ISLAMOGLU, Y.; YASAR, H.; EGRISOGUT, A.. Application of
artificial neural network to predict specific fuel consumption and exhaust
temperature for a Diesel engine. Applied Thermal Engineering, 2006, pp.824–
828.
PELLI N., A. Redes Neurais Artificiais aplicadas ás avaliações em massa
estudo de caso para a cidade de Belo Horizonte/MG, dissertação de
Mestrado, UFMG 2006, pp.35–50.
REEVES C.R.; Rowe J.E. Genetic Algorithms – Principles and Perspectives,
Ed Kluwer Academic Publishers, 2002, pp. 1-327.
RICH, E.; KNIGHT, K. Inteligência Artificial. Makron Books, 1993.
RÍMOLO, I.; VILLALTA, H. Monografia – Introducción a la aplicación de las
redes neuronales artificiales en control, Universidad de Costa Rica, Escuela
de Ingeniería Eléctrica, 2004.
RODRIGUEZ, J. A. Introducción a la termodinamica con algunas
aplicaciones de ingeniería, Universidad tecnológica Nacional 2004, pp. 162–
170.
Referências Bibliográficas P a g . | 122
RUSSELL S., J.; NORVING, P. Inteligência Artificial, Um enfoque moderno,
2a edição, Elsevier, 2004.
SAYIN, C.; ERTUNC, H.; HOSOZ, M.; KILICASLAN, I.; CANAKCI, M.
Performance and exhaust emissions of a gasoline engine using artificial
neural network, Applied Thermal Engineering 27, 2007, pp. 46–54.
SERDAR, H.; SOZEN, A.; TOPGUL, T.; ARCAKLIOGLU, E. Comparative study
of mathematical and experimental analysis of spark ignition engine
performance used ethanol-gasoline blend fuel. Applied Thermal Engineering,
2006, pp. 358–368.
TAFNER, M. A.; XERE, M.; RODRIGUES F., I. W. Redes Neuronais Artificiais:
Introdução e Princípios de Neurocomputação, EKO–Blumenau SC–Brasil,
1996.
UNIJUÍ. Maquinas Térmica – Apostila de Motores de combustão Interna,
2005, pp. 1–100.
VEELENTURF, L.P.J. Analysis and Applications Artificial Neural Network,
Ed. Prentice Hall, 1995, pp. 1-121.
VELLASCO R., M. Notas de Aula em Redes Neuronais, (www.ica.ele.puc.rio.br
), 2008.
VERA, E. Modelo de Simulação para um motor diesel – gás, Dissertação de
Mestrado, Departamento de Engenharia Mecânica, PUC-Rio, Rio de Janeiro, RJ,
1996, pp. 1-121.
VIDEIRA S., C. Motores de combustão Interna. Escola técnica de Videira,
Universidade do Oeste de Santa Catarina 1997.
VIEIRA C., R.; ROISENBERG, M. Redes Neurais Artificiais: Um Breve
Tutorial, UFSC, Laboratório de Conexionismo e Ciências Cognitivas (L3C),
2004.
Referências Bibliográficas P a g . | 123
WU, J.; Chiang, P.; Chang, Y.; e Shiao, Y. An expert system for fault
diagnosis in internal combustion engines using probability neural network,
Expert Systems with Applications, 2007, pp. 2704–2713.
WYLEN Fundamentos da termodinâmica, 6ta Edição, 2003.
ZELEZNIK F., J. Modeling the internal Combustion Engine, NASA Reference
Publication 1094, March 1985.
ZURADA, J.M., Introduction To Artificial Neural Systems, Ed. West Publishing
Company, 1992, pp. 1-764.
Anexos
Anexo 1: Predição de Dados, 1000 RPM
Figura 62. Predição de dados 1000 RPM, consumo de diesel.
0
1
2 14.712.710.88.614.7
pressão do ar de entrada, psia
0
1
2
3
4 14.913.111.49.78.114.913.1
0
2
4
6 15.714.413.312.115.7
0
2
4
6
8 16.8
16.0
0
2
4
6
8
10
0 10 20 30 40 50 60 70 80 90 100
18.2
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
CO
NSU
MO
DE
DIE
SEL
(kg/
h)
Taxa de Substituição (%)
Anexos P a g . | 125
Figura 63. Predição de dados 1000 RPM, RT.
0
5
10
15
20
25 14.712.710.88.614.712.7
pressão do ar de entrada, psia
0
10
20
30
40 14.913.111.49.78.114.913.1
30
32
34
36
38 15.714.413.312.115.714.4
34
35
36
37
38 16.8
16.0
16.8
34
35
36
37
0 10 20 30 40 50 60 70 80 90 100
18.218.2
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
REN
DIM
ENTO
TÉR
MIC
O (
%)
Taxa de Substituição (%)
Anexos P a g . | 126
Figura 64. Predição de dados 1000 RPM, Temperatura dos gases de esc.
0
100
200
300 14.712.710.88.614.712.7
pressão do ar de entrada, psia
0
100
200
300
400
50014.913.111.49.78.114.913.111.4
0
100
200
300
400
500 15.714.413.312.115.714.4
0
200
400
600 16.816.016.8
0
100
200
300
400
500
600
0 10 20 30 40 50 60 70 80 90 100
18.2
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
TEM
PER
ATU
RA
DE
ESC
AP
E (º
C)
Taxa de Substituição (%)
Anexos P a g . | 127
Figura 65. Predição de dados 1000 RPM, CO.
0
500
1000
1500
2000
250014.712.710.88.614.712.7
pressão do ar de entrada, psia
0
1000
2000
3000
4000
5000 14.913.111.49.78.114.913.111.4
0
500
1000
1500
2000 15.714.413.312.115.714.4
0
500
1000
1500
2000 16.816.016.8
0
1000
2000
3000
4000
0 10 20 30 40 50 60 70 80 90 100
18.218.2
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
75
% d
e C
arga
1
00
% d
e C
arga
CO
(p
pm
)
Taxa de Substituição (%)
Anexos P a g . | 128
Figura 66. Predição de dados 1000 RPM, HC.
0
5000
10000
15000
20000 14.712.710.88.614.712.7
pressão do ar de entrada, psia
0
5000
10000
15000 14.913.111.49.78.114.913.111.4
0
2000
4000
6000 15.714.413.312.115.714.413.3
0
1000
2000
3000 16.816.016.8
0
500
1000
1500
0 10 20 30 40 50 60 70 80 90 100
18.2
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
HC
(p
pm
)
Anexos P a g . | 129
Figura 67. Predição de dados 1000 RPM, NOx.
0
100
200
300
400 14.712.710.88.614.712.7
pressão do ar de entrada, psia
0
200
400
600 14.913.111.49.78.114.913.111.4
0
500
1000
1500 15.714.413.312.115.714.4
0
500
1000
1500
2000
2500 16.8
16.0
16.8
0
1000
2000
3000
4000
0 10 20 30 40 50 60 70 80 90 100
18.2
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
NO
x (
pp
m)
Taxa de Substituição (%)
Anexos P a g . | 130
Anexo 2: Predição de Dados, 2600 RPM
Figura 68. Predição de dados 2600 RPM, consumo de diesel.
012345678 20.3
16.513.29.720.3
pressão do ar de entrada, psia
0
5
10
15 22.819.515.311.822.8
0
5
10
15
20 26.623.621.118.415.926.623.6
0
10
20
30 29.3
25.4
22.9
27.0
29.3
0
10
20
30
0 10 20 30 40 50 60 70 80 90 100
29.8
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
CO
NSU
MO
DE
DIE
SEL
(kg/
h)
Taxa de Substituição (%)
Anexos P a g . | 131
Figura 69. Predição de dados 2600 RPM.
0
5
10
15
20 20.316.513.29.720.316.5
pressão do ar de entrada, psia
0
10
20
30 22.819.515.311.822.819.5
0
10
20
30
40 26.623.621.118.415.926.623.621.1
0
10
20
30
40 29.325.422.927.029.325.4
32
33
34
35
36
37
0 10 20 30 40 50 60 70 80 90 100
29.8
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
REN
DIM
ENTO
TÉR
MIC
O (
%)
Taxa de Substituição (%)
Anexos P a g . | 132
Figura 70. Predição de dados 2600 RPM, temperatura de gases de escapamento.
0
200
400
600 20.316.513.29.720.316.5
pressão do ar de entrada, psia
0
200
400
600 22.819.515.311.822.819.5
0
200
400
600 26.623.621.118.415.926.623.621.1
0
100
200
300
400
500 29.325.422.927.029.325.422.9
430
440
450
460
470
480
490
0 10 20 30 40 50 60 70 80 90 100
29.8
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
TEM
PER
ATU
RA
DE
ESC
AP
E (º
C)
Taxa de Substituição (%)
Anexos P a g . | 133
Figura 71. Predição de dados 2600 RPM, CO.
0
1000
2000
3000 20.316.513.29.720.316.5
pressão do ar de entrada, psia
0
1000
2000
3000 22.819.515.311.822.819.5
0
1000
2000
3000 26.623.621.118.415.926.623.621.1
0
500
1000
1500
2000
2500 29.325.422.927.029.325.4
0
500
1000
1500
2000
0 10 20 30 40 50 60 70 80 90 100
29.8
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
CO
(p
pm
)
Taxa de Substituição (%)
Anexos P a g . | 134
Figura 72. Predição de dados 2600 RPM, HC.
0
5000
10000
15000
20000
25000 20.316.513.29.720.316.5
pressão do ar de entrada, psia
0
5000
10000
15000
20000 22.819.515.311.822.819.5
0
5000
10000
15000 26.623.621.118.415.926.623.621.1
0
2000
4000
6000
8000 29.325.422.927.029.325.4
0
500
1000
1500
2000
2500
3000
0 10 20 30 40 50 60 70 80 90 100
29.8
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
HC
(p
pm
)
Taxa de Substituição (%)
Anexos P a g . | 135
Figura 73. Predição de dados 2600 RPM, NOx.
0
100
200
300
400 20.316.513.29.720.316.5
pressão do ar de entrada, psia
0
200
400
600
800 22.819.515.311.822.819.515.3
0
200
400
600
800
1000 26.623.621.118.415.926.623.621.1
0
200
400
600
800 29.325.422.927.029.325.4
0
200
400
600
800
0 10 20 30 40 50 60 70 80 90 100
29.829.8
10
% d
e C
arga
2
5%
de
Car
ga
50
% d
e C
arga
7
5%
de
Car
ga
10
0%
de
Car
ga
NO
x (p
pm
)
Taxa de Substituição (%)
Anexos P a g . | 136
Anexo 3: Mapeamento e Otimização, PESO CO5-HC5-NOx5-ET10-TS20
Figura 74. Otimização, taxa de substituição, pesos:CO5-HC
5-NOx
5-ET
10-TS
20.
Figura 75. Otimização, CO, pesos: CO5-HC
5-NOx
5-ET
10-TS
20
Anexos P a g . | 137
Figura 76. Otimização, HC, pesos: CO5-HC
5-NOx
5-ET
10-TS
20.
Figura 77. Otimização, NOx, pesos: CO5-HC
5-NOx
5-ET
10-TS
20.
Anexos P a g . | 138
Figura 78. Otimização, RT, pesos: CO5-HC
5-NOx
5-ET
10-TS
20.
Anexos P a g . | 139
Anexo 4: Mapeamento e Otimização, PESO CO5-HC5-NOx5-ET10-TS10
Figura 79. Otimização TS, pesos: CO5-HC
5-NOx
5-ET
10-TS
10.
Figura 80. Otimização CO, pesos: CO5-HC
5-NOx
5-ET
10-TS
10.
Anexos P a g . | 140
Figura 81. Otimização HC, pesos: CO5-HC
5-NOx
5-ET
10-TS
10.
Figura 82. Otimização NOx, pesos: CO5-HC
5-NOx
5-ET
10-TS
10.
Anexos P a g . | 141
Figura 83. Otimização RT, pesos: CO5-HC
5-NOx
5-ET
10-TS
10.
Anexos P a g . | 142
Anexo 5: Mapeamento e Otimização, PESO CO10HC5-NOx5-ET10-TS10
Figura 84. Otimização, TS, pesos: CO10
HC5-NOx
5-ET
10-TS
10.
Figura 85. Otimização, CO, pesos: CO10
HC5-NOx
5-ET
10-TS
10.
Anexos P a g . | 143
Figura 86. Otimização, HC, pesos: CO10
HC5-NOx
5-ET
10-TS
10.
Figura 87. Otimização, pesos: NOx, CO10
HC5-NOx
5-ET
10-TS
10.
Anexos P a g . | 144
Figura 88. Otimização, TS, pesos: CO10
HC5-NOx
5-ET
10-TS
10.
Anexos P a g . | 145
Anexo 6: Mapeamento e Otimização, PESO CO10-HC5-NOx10-ET10-TS5
Figura 89. Otimização, TS, pesos: CO10
-HC5-NOx
10-ET
10-TS
5.
Figura 90. Otimização, CO, pesos: CO10
-HC5-NOx
10-ET
10-TS
5.
Anexos P a g . | 146
Figura 91. Otimização, HC, pesos: CO10
-HC5-NOx
10-ET
10-TS
5.
Figura 92. Otimização, NOx, pesos: CO10
-HC5-NOx
10-ET
10-TS
5.
Anexos P a g . | 147
Figura 93. Otimização, RT, pesos: CO10
-HC5-NOx
10-ET
10-TS
5.
Anexos P a g . | 148
Anexo 7: Mapeamento e Otimização, PESO CO10-HC10-NOx10-ET10-TS0
Figura 94. Otimização, TS, pesos: CO10
-HC10
-NOx10
-ET10
-TS0.
Figura 95. Otimização, CO, pesos: CO10
-HC10
-NOx10
-ET10
-TS0.
Anexos P a g . | 149
Figura 96. Otimização, HC, pesos: CO10
-HC10
-NOx10
-ET10
-TS0.
Figura 97. Otimização, NOx, pesos: CO10
-HC10
-NOx10
-ET10
-TS0.
Anexos P a g . | 150
Figura 98. Otimização, RT, pesos: CO10
-HC10
-NOx10
-ET10
-TS0.
Anexos P a g . | 151
Anexo 8: Mapeamento e Otimização, PESO CO10-HC10-NOx10-ET10-TS5
Figura 99. Otimização, TS, pesos: CO10
-HC10
-NOx10
-ET10
-TS5.
Figura 100. Otimização, CO, pesos: CO10
-HC10
-NOx10
-ET10
-TS5.
Anexos P a g . | 152
Figura 101. Otimização, HC, pesos: CO10
-HC10
-NOx10
-ET10
-TS5.
Figura 102. Otimização, NOx, pesos: CO10
-HC10
-NOx10
-ET10
-TS5.
Anexos P a g . | 153
Figura 103. Otimização, RT, pesos: CO10
-HC10
-NOx10
-ET10
-TS5.
Top Related