Predicción de emisiones de CO y HC en motores Otto mediante redes neuronales

Contenido principal del artículo

Rogelio Santiago León Japa http://orcid.org/0000-0003-2142-3769
José Luis Maldonado Ortega http://orcid.org/0000-0002-3846-2599
Rafael Wilmer Contreras Urgiles http://orcid.org/0000-0003-2300-9457

Keywords

prediction, pollutant emissions, carbon monoxide (CO), non-combustion hydrocarbons (HC), diagnostics, neural networks

Resumen

En el presente trabajo se explica la aplicación de RNA (redes neuronales artificiales) para la predicción de emisiones contaminantes generadas por fallas mecánicas en motores de encendido provocado, de la cual se puede cuantificar el porcentaje de CO (% monóxido de carbono) y el particulado por millón HC (ppm hidrocarburos sin quemar), a través del estudio de la fase de admisión del ciclo Otto, la cual es registrada por medio de la implementación física de un sensor MAP (Manifold Absolute Pressure). Se aplica un riguroso protocolo de muestreo y consecuente análisis estadístico. La selección y reducción de atributos de la señal del sensor MAP se realiza en función del mayor aporte de información y diferencia significativa con la aplicación de tres métodos estadísticos (ANOVA, matriz de correlación y Random Forest), de la cual se obtiene una base de datos que permite el entrenamiento de dos redes neuronales feed-forward backpropagation, con las cuales se obtiene un error de clasificación de 5.4061e-9 y de 9.7587e-5 para la red neuronal de CO y HC respectivamente.
Abstract 265 | PDF Downloads 240 PDF (English) Downloads 15 HTML Downloads 9 HTML (English) Downloads 2 EPUB Downloads 1 XML Downloads 0

Citas

[1] F. Ballester, “Contaminación atmosférica, cambio climático y salud,” Revista Española de Salud Pública, vol. 79, pp. 159–175, 04 2005. [Online]. Available: https://bit.ly/2piHMQZ
[2] A. Restrepo, S. Izquierdo, and R. López, “Estimación de factores que inciden sobre la contaminación ambiental generada por fuentes móviles en pereira,” Scientia et technica, vol. 1, no. 37, pp. 267–272, 2007. [Online]. Available: http://dx.doi.org/10.22517/23447214.4053
[3] X. Li, D. Sun, G. Lu, J. Krabicka, and Y. Yan, “Prediction of nox emissions throughflame radical imaging and neural network based soft computing,” in 2012 IEEE International Conference on Imaging Systems and Techniques Proceedings, July 2012, pp. 502–505. [Online]. Available: https://doi.org/10.1109/IST.2012.6295594
[4] M. Cortina, “Aplicación de técnicas de inteligencia artificial a la predicción de contaminantes atmosféricos,” Ph.D. dissertation, 2012. [5] J. D. Martínez-Morales, E. R. Palacios-Hernández, and G. A. Velázquez-Carrillo, “Modeling and multi-objective optimization of a gasoline engine using neural networks and evolutionary algorithms,” Journal of Zhejiang University SCIENCE A, vol. 14, no. 9, pp. 657–670, Sep 2013. [Online]. Available: https://doi.org/10.1631/jzus.A1300010
[6] T. Fontes, L. M. Silva, S. R. Pereira, and M. C. Coelho, “Application of artificial neural networks to predict the impact of traffic emissions on human health,” in Progress in Artificial Intelligence, L. Correia, L. P. Reis, and J. Cascalho, Eds. Berlin, Heidelberg: Springer Berlin Heidelberg, 2013, pp. 21–29. [Online]. Available: https://doi.org/10.1007/978-3-642-40669-0_3
[7] J. D. Martínez-Morales, E. R. Palacios-Hernández, and G. A. Velázquez-Carrillo, “Artificial neural network based on genetic algorithm for emissions prediction of a si gasoline engine,” Journal of Mechanical Science and Technology, vol. 28, no. 6, pp. 2417–2427, Jun 2014. [Online]. Available: https://doi.org/10.1007/s12206-014-0535-2
[8] T. López Ortíz and A. Pacheco González, “Efectos de la contaminación atmosférica en la salud de las personas en la ciudad de cuenca,” 2015. [Online]. Available: https://bit.ly/32M8jnz
[9] J. Guadaluoe Almeida, “Modelación de emisiones contaminantes de fuentes móviles terrestres en Quito, Ecuador,” 2016. [Online]. Available: https://bit.ly/2qdvtG8
[10] P. León Bacuilima and C. Piña Orellana, “Predicción de emisiones contaminantes de gases de escape a través de la presión media efectiva empleando redes neuronales en motores de encendido provocado, cuenca,” 2018. [Online]. Available: https://bit.ly/2q2oTlT
[11] W. Contreras, J. Maldonado, and R. León, “Aplicación de una red neuronal feed-forward backpropagation para el diagnóstico de fallas mecánicas en motores de encendido provocado,” INGENIUS, 2019. [Online]. Available: https://doi.org/10.17163/ings.n21.2019.03