摘要：提出了基于神经网络和遗传算法进行阿肯金森(Atkinson)循环发动机几何压缩比优化的方法.首先利用几何压缩比为11的奥拓(Otto)循环发动机的试验数据验证了发动机人工神经网络模型的预测准确性,然后联合遗传算法和神经网络模型进行了目标Atkinson循环发动机的几何压缩比优化,约束条件是外特性转矩、爆震强度和排气温度,优化目标是使燃油消耗率最小.结果表明:联合遗传算法和神经网络模型进行发动机设计和性能优化,具有较高的效率和准确性.优化后确定目标Atkinson循环发动机的最佳几何压缩比为12.5,并在此基础上进一步优化发动机的操作参数及其外特性.

摘要：利用GT-Power建立了某大缸径天然气发动机的一维热力学循环仿真模型,用原机台架试验数据标定,使仿真模型计算准确后,研究了发动机设计参数几何压缩比以及米勒度对发动机性能的影响。以提高发动机热效率和降低排气温度为目标,利用神经网络建模与遗传算法对发动机设计与控制参数进行协同优化。优化结果表明,在保证发动机扭矩输出的条件下,通过对几何压缩比与米勒度的协同优化可以提高指示热效率,降低排气温度,改善发动机性能。