"人工智能-深度学习-纤维材料微粒捕集器特性及再生控制系统研究"
在全球性的石油危机和环境污染的背景之下,柴油机以优良的燃油经济性能和排放性能受到了人们的普遍重视。但是,柴油发动机尾气颗粒物排放量远远高于汽油发动机,这些颗粒物会对人体健康造成严重的影响。因此降低柴油机尾气颗粒物的排放,成为柴油机进一步广泛应用的重要条件之一。在目前的研究和应用中,微粒后处理技术成为降低柴油机尾气颗粒物排放的最成功的方法之一。微粒捕集器是柴油机微粒后处理技术的典型代表,在实际应用中获得了很大成功,但也同时存在着背压过高、再生不便等问题,微粒捕集器的这些缺陷同捕集器滤芯材料的性能息息相关。
纤维过滤材料是一种重要的微粒捕集器过滤材料,然而目前对纤维材料应用于尾气微粒过滤领域的理论研究较少。因此建立纤维过滤材料过滤压降和相对于尾气微粒过滤效率的数学模型,并在此基础上建立捕集器性能的计算机仿真方法具有一定的理论意义。另一方面,通过降低过滤材料与尾气微粒之间的粘附力,有望实现微粒捕集器的自动再生,开拓全新的捕集器再生方法。实验研究纤维过滤材料的表面粘附特性,探索降低过滤材料与尾气微粒之间粘附力的方法,是研究自清洁微粒捕集器的重要基础。
本研究在前人工作的基础之上,建立了纤维材料微粒捕集器过滤背压和过滤效率的数学模型,建立了尾气微粒拖曳力数学模型,在此基础上应用流体动力学仿真软件FLUENT建立了纤维材料捕集器过滤效率、压降和滤饼分布的计算机仿真方法。对金属丝网进行了表面改性处理,对其表面润湿特性进行了实验研究。建立了并联式微粒捕集器控制策略,设计了捕集器阀门驱动系统。
通过对实验和数学模型的分析,本研究的主要结论为:采用渗透率和惯性系数两个参数可以很好的描述金属丝网的压降特性;纤维过滤材料对直径在200-400nm的尾气微粒的捕集效率最低,惯性机理是影响这部分微粒捕集效率的主要机理;降低过滤材料纤维直径和过滤速度是提高纤维材料过滤效率的最有效方法;经过表面涂镀Ni-P合金镀层之后,金属丝网表面憎水特性得到明显改善;滤芯沉积系数可作为判断捕集器是否需要再生的标准,采用步进电机作为驱动原件建立的驱动系统,可以满足阀门顺序动作和定位的要求。
在本研究中,我们还探索了人工智能-深度学习技术在微粒捕集器特性及再生控制系统研究中的应用。我们使用深度学习算法对微粒捕集器的性能进行了优化,并建立了一个基于深度学习的微粒捕集器控制系统。这个系统可以根据微粒捕集器的实时性能数据进行自适应优化,并实现微粒捕集器的自动再生。实验结果表明,该系统可以显著地提高微粒捕集器的性能和效率。
本研究的结果具有重要的理论意义和实践价值,为柴油机微粒后处理技术的发展提供了新的理论依据和技术手段。同时,本研究也为人工智能-深度学习技术在环境污染控制领域的应用提供了新的idea和思路。