工程科学与技术，国际期刊20（2017）1563完整文章基于人工神经网络的Yusuf Kurtgoza，Mustafa Karagozb，Mr. J.，Emrah DenizcaKarabük大学，机械工程系，自然应用科学研究生院，78050 Karabük，土耳其b卡拉比克大学，汽车技术系，TOBB技术。科学职业学校，78050 Karabük，土耳其c土耳其卡拉比克大学，工程学院，机械工程系，78050卡拉比克阿提奇莱因福奥文章历史记录：2017年11月9日收到2017年12月24日修订2017年12月25日接受在线发售2018年保留字：估算发动机性能BSFC人工神经网络A B S T R A C T采用人工神经网络（ANN）方法，对火花点火式沼气发动机在不同甲烷（CH4）含量和负荷下的热效率（TE）、制动燃油消耗率（BSFC）和充气效率（VE）进行了估算。为此，以牛粪为原料，采用厌氧发酵法生产沼气发动机所需的沼气，并对CO2和H2S进行净化处理，得到不同CH4在不同负荷和CH4比的情况下，对一台四冲程四缸火花点火式发动机在恒转速下进行了实验研究使用所获得的一些实验数据，开发了ANN模型在人工神经网络模型中，选择燃料的CH4比率、发动机负荷、进气温度（Tin）、空燃比和最高气缸压力作为输入参数。TE、BSFC和VE用作输出参数。采用均方根误差（RMSE）、平均绝对百分比误差（MAPE）和相关系数（R）等性能指标对实测值和预测值进行比较。结果表明，人工神经网络模型在火花点火式沼气发动机中具有很好的效果，TE、BSFC和VE值具有很高的相关性和很低的误差率。©2017 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍发达国家的能源消费每年增长约1%，发展中国家约5%，世界能源的很大一部分全球能源需求的增加、化石资源的耗尽和环境问题（例如大气污染、温室效应和全球变暖）已经导致寻找具有更高效且具有更低排放的系统的替代可再生能源。在可再生能源中，沼气是热电应用中最可行和最合适的选择之一[3]。根据沼气中甲烷的含量，它可以有效地用于许多应用，如烹饪，加热，冷却和发电。沼气作为内燃机的可再生燃料，在满足日益增长的能源需求方面具有巨大潜力。今天，已经对沼气的热利用以及内燃机进行了许多研究[4在这些研究中，使用沼气和沼气-化石燃料混合物的内燃机，发动机每-*通讯作者。电子邮件地址：mustafakaragoz@karabuk.edu.tr（M.Karagoz）。由Karabuk大学负责进行同行审查。已对发动机和燃料消耗参数进行了研究[7Questay使用汽油发动机的人工神经网络模型来估计发动机的主要性能参数。利用发动机转速、扭矩、燃油流量、进气歧管平均温度和冷却液进口温度的实验数据，开发了一个标准的人工神经网络模型最后用人工神经网络对BSFC、有效功率和排温进行了估算，并与实验结果进行了比较。测试数据和训练数据的R2约为0.99， RMSE值小于0.02，测试数据的MEP小于2.7%。可以得出结论，使用ANN模型可以是高精度预测发动机性能的良好选择[14]。为了开发一种更好的柴油和生物柴油混合物，以提高功率、扭矩、小时比油耗和BSFC，Oguz等人采用人工神经网络对柴油、生物柴油、B20以及柴油与生物柴油的不同比例混合燃料（5%、10%和15%）进行了研究确定了混合燃料的性质，并将其作为训练神经网络的参考值，将实验得到的参考值应用于神经网络，对功率、力矩、小时油耗和BSFC进行了估算，并将估算结果与实验结果进行了比较该研究的可靠性计算为99.94%（p = .9994和p > .05）[15]。Parlak等人总结说，一个好的神经网络是解决工程问题的快速，一致和易于使用的工具。使用带有ANN模型的反向传播学习算法，他们估计了BSFC和排气温度。https://doi.org/10.1016/j.jestch.2017.12.0102215-0986/©2017 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch命名法人工神经网络BSFC胡一kMAPEMEPMLPm_fm_hnRNNGV人工神经网络制动比油耗（g/kW-h）低热值（kJ/kg）输入参数数数据对数平均绝对误差百分比燃料消耗量（g/h）空气质量流量（kg/s）对于二冲程发动机，取1，对于四冲程发动机，取2发动机速度隐层神经元数容积效率GtOPbq空气RR2RMSESVhVsxx0x最大x最小热效率输出参数个数有效功率（kW）空气密度（kg/m3）相关系数决定系数均方根误差所用实际耗气量（m3）排气量（m3）ANN参数的原始值ANN参数的归一化值ANN参数的最大值ANN参数的最小值小行星1564Kurtgoz等人/工程科学与技术，国际期刊20（2017）1563柴油机的真实价值在这项研究中，据报道，平均绝对相对误差小于2%[16]。Kapusuz等人研究了未改性火花点火发动机中的各种酒精-无铅汽油混合物，并开发了一种ANN模型来估计最大扭矩、最大功率和最小BSFC值。根据所建立的模型，含11%甲醇-1%乙醇的燃料混合物具有最佳的性能结果，含2%甲醇的燃料混合物具有最佳的BSFC结果。ANN模型的回归值分别为扭矩0.9906、功率0.997和BSFC值0.9312[17]。Sofi等人开发了一种反向传播神经网络模型，以估计不同生物润滑剂类型对200 cc二冲程发动机性能和废气排放模型的输入为发动机转速、λ和润滑油类型，输出为扭矩、发动机制动功率、废气排放（CO2、CO、O2、UHC和NOx）和BSFC。还强调该模型对于估计不同参数是令人满意的[18]。Roa等人研究了使用添加了异丙醇（Isopropyl alcohol，异丙醇）的米糠甲酯的间接柴油喷射发动机在ANN模型中使用标准的反向传播算法在研究中，排气温度（EGT）、BSFC、制动热效率（BTE）、HC、CO、CO2、O2、NOx和烟度等9个性能和排放参数的相关系数分别为0.995，0.980，0.999，0.999，0.985，0.999，0.999，0.980，0.999和0.999，分别为[19]。Syed等人开发了一种人工神经网络模型，用于研究柴油机在不同负荷和氢气流量下，以氢气（H2）和柴油为燃料的柴油机的性能和排放。使用开发的ANN模型，报告的回归系数范围为0.9869至0.9996[20]。Dharma等人实验性地研究了单缸柴油发动机的性能和废气排放，该发动机具有在由Jatropa curcas-Ceiba pentandra生产的柴油燃料和生物柴油的燃料混合物上直接喷射运行，并且他们使用ANN模型来估计性能和排放。他们报告所有参数的回归系数超过98%，平均绝对误差小于5%。他们还认为，从Jatropa curcas-Ceibapentandra获得的生物柴油-柴油混合物可以被视为替代燃料，并且ANN模型通常给出可靠的结果[21]。Yusaf等人研究了使用人工神经网络模型预测以压缩天然气CNG和柴油为燃料的改进柴油发动机的制动功率、扭矩、制动比油耗和废气排放。他们发现，CNG和柴油的混合物提供了更好的发动机性能，与纯柴油相比的排放特性对于人工神经网络建模，标准的反向传播算法被认为是训练模型的最佳选择。发现ANN模型可以预测发动机性能和废气排放，发动机扭矩、BSFC、NOx和废气温度的相关系数分别为0.9884、0.9838、0.95707和0.9934[22]。Roy等人使用人工神经网络在单缸四冲程CRDI发动机上测试了CNG-柴油双燃料。 以负荷、喷油压力、CNG能量份额等实验数据为输入参数，对BSFC、BTE、NOx、PM和HC进行预测。其ANN模型预测性能和排放参数的相关系数为0.99833-0.99999，平均绝对百分比误差在0.045-1.66%范围内有许多研究使用人工神经网络模型来预测不同燃料和内燃机类型的性能，发动机温度和排放，而不是进行所有那些昂贵和耗时的实验[24但目前还没有研究发现将不同甲烷含量的沼气在火花点火发动机上的燃烧数据应用于神经网络模型来预测发动机性能参数。本文以沼气中甲烷含量、发动机负荷值、发动机进气温度、空燃比和最大气缸压力为输入参数，建立了一个人工神经网络模型，并成功地应用该模型对BSFC、VE和TE进行了预测，预测结果误差小，相关性高，填补了这一空白。2. 材料和方法2.1. 实验装置和测量本研究以40%的有机肥、35%的水、17%的乳清和8%的鸡汤为原料，建立了混合发酵生产沼气的中试系统。采用洗涤和脱硫工艺去除沼气中的污染气体（CO2、H2S）.在净化过程结束时，获得CH4含量为51%、57%和87%的沼气。沼气在净化装置中反复洗涤以去除CO2，直到CH4浓度达到所需的百分比（51%、57%或87%）。使用具有10 kW火花点火发动机的沼气发生器测试所产生的沼气。表1给出了试验发动机的规格。实验在1500 rpm发动机转速下进行，发电机负载为1.5使用Geo-tech GA 2000型便携式沼气分析仪测定实验中使用的沼气的组成。沼气通过了Þ¼XY. Kurtgoz等人 /工程科学与技术，国际期刊20（2017）1563-15701565表1被测发动机参数。nRm_hgh¼q空气N=60ð3Þ类型4-冲程，水冷，预混，湿套筒，点燃式发动机沼气燃料气缸数4个孔径x行程100× 115 mm总排量3.61 L压缩比11：1射击顺序1-3-4-2点火电子控制TE是由发动机转化为有用功的热量与燃烧燃料产生的总热量的比率。由于大量的热量是通过发动机的冷却和润滑系统从发动机中散发出来的，因此所产生的热量只有大约三分之一转化为动力。TE由Eq.（四）、Pb最大功率10 kW@1500 rpmgt<$Hum_yð4Þ通过Meter Italia MG 16型波纹管式气体计数器后的净化单元，以确定沼气消耗量。燃烧所需的空气使用置于空气过滤器和进气歧管之间的Bosch HFM5空气质量流率传感器测量。试验系统的示意图见图1。为了测量气缸压力，使用Oprand Auto PSI-TC火花塞，它可以测量0至200 bar的压力，同时也起到火花塞的作用。为了确定活塞位置，使用Kubler，Sensual 5000型编码器。 借助于测量的压力和活塞位置数据，确定气缸压力相对于活塞位置的变化。使用排气歧管出口处的K型热电偶测量排气温度。研究中使用的测量仪器的质量标准见表2。对于1500 rpm发动机转速、空气、发动机机油和排气温度下的不同负载条件和燃料，2.2. 安人工神经网络是一种模拟生物神经系统的信息系统[29]。ANN由相互连接的神经元组成，这些连接具有可以在训练期间调整的数值权重ANN结构包括输入层、隐藏层和输出层，每个层都有自己的神经元[30，31]。TE，BSFC和VE值的预测使用多层感知器（MLP）前馈神经网络训练的反向传播算法。在隐层和输出层中使用Sigmoid函数作为激活函数。网络中的单元的输出由等式2计算（5）和（6）。nNETi¼wij X jwbi 5第1页一定的局部湿度），气缸压力根据f网络1我ð6Þ曲轴转角、发动机转速、进入发动机的燃油量，在测试期间测量并观察进入发动机的空气量测试结果用于训练人工神经网络。BSFC是确定发动机特性的关键参数，可以表示为从发动机获得的每单位功率消耗的燃料量，并通过等式（1）计算（一）.1e-NETi其中，NET是输入的加权和是第i个和第j个处理元件之间的连接的权重Xj是第j个处理元件的输出[14]《易经》中的“道”字，就是“道”字。从开发的模型中的不同试验来看，0.3和0.2的值是m_fbe¼Pbð1Þ分别用作学习率和动量值。MLP网络训练继续，直到训练误差小于VE是气缸消耗的实际空气量与该气缸的排量的体积比根据这个定义，VE由Eqs找到。（2）和（3）。0.0001，或者程序已经执行了50，000次训练迭代（epoch）。从实验研究中获得的18个不同结果中有12个用于训练网络，其中6个用于测试。所有训练和测试数据均通过Eq.（7）。VHg¼200X0x-xmin7vVs1/4xmax-xminFig. 1. 实验装置示意图。2.Σ¼ðÞ.Σ¼ðÞ1/4i小行星1566Kurtgoz等人/工程科学与技术，国际期刊20（2017）1563表2仪器精度。表3用于确定隐藏层中神经元数量的敏感性测试没有测量仪器范围精度神经元数量ANNTE人工神经网络BSFCANNVE1空气流量计（Bosch HFM5）8<百分之三20.05690.04550.06472燃油流量计（Meter Italia MG 16）0.16<百分之一30.06170.08730.11283压力（Optrand Auto PSI-TC）0±1%40.09440.05200.08664曲柄角编码器（kübler sentrum）0–360°0.1°CA50.03310.09010.05655沼气分析仪60.05150.05450.0525CH40-100%<百分之一70.04770.04890.1130CO20-100%<百分之一80.06330.05730.0614O0-25%百分之零点三90.06540.02620.0757h2s的00.80%100.04840.02600.10916热电偶（K型）0±0.1°C110.04800.06190.1228120.06410.03820.0820由于ANN模型在训练和测试结束时会给出缩放输出，因此这些输出必须再次转换为原始形式。为此，上述等式（Eq. （8））被颠倒，得到以下公式：x¼x0x最大值-x最小值x最 小 值x最小值8温度（Tin）、空燃比和最大气缸内压力用作五个输入参数。在人工神经网络模型中，神经元的数量由方程预测。（12）对于隐藏层[322.3. 业绩指标我是一个很好的朋友ð12ÞRMSE、MAPE和R值用于进行比较。这些指标的方程式如下：vut1Xk2其中，NN是隐藏层神经元的数量，S是ANN模型中使用的训练数据的数量，I和O分别是输入和输出参数的数量灵敏度试验确定隐藏层神经元的数量，根据RMSE¼ki¼1VEic-VEimð9ÞRMSE性能指标。隐藏层神经元的数量从使用等式2预测的隐藏层神经元的数量变化±5。（12）.灵敏度试验结果见表3。1Xk . jVEic-VEimj确定了神经网络模型的隐层单元数MAPE¼k1/1VEim100ð10Þ根据表3所示的归一化最小RMSE值进行挖掘。据此，包含5个神经元的模型PKVEic-VE icICimim对于ANNTE，10个用于ANNBSFC的神经元和6个用于ANNVE的神经元是<$qPkVE-VE2P1/11/1ð估计TE值的方法见图2。安和安模-其中，k是数据对的数量，并且VE_ic和VE_im是平均值。年龄估计值和测量值的VE，分别。使用相同的方法，计算TE和BSFC的RMSE、MAPE和R值。3. 结果和讨论3.1. 用人工神经网络对发动机性能进行了估算本文采用人工神经网络试验模型对火花点火式柴油机的TE、BSFC和VE数据进行了估算，并与实际试验数据进行了比较。在估算方法中;甲烷比率、发动机负荷、进气量基于隐层神经元数目deter构造ELS通过相同的输入和敏感性测试进行挖掘。由ANN模型开发的用于估计TE、BSFC和VE值的方程在Eqs中给出（13）TE、BSFC和VE值的Ei值是输入的加权和，并分别通过表4-6中给出的公式此外，决定网络性能的层和神经元之间的连接权重也在相同的表中给出如表7所示;根据RMSE、MAPE和R性能指标，发现TE和BSFC值的ANN模型具有低误差和高精度。使用这些模型，TE，BSFC和VE值可以估计具有高精度，无需任何额外的实验工作。F i（i = 1，2，3，.. . ，5或7）值，（13）（十六）、TE1131架E-15; 46788F1- 5; 46323F2-0; 269871F3-0; 24526F4- 2; 696625F5-2; 853211BSFC¼.1Σð14Þ1e-3; 363902F1- 6;06831F2-1; 68434F3-1; 4588F40; 658796F5- 1; 55686F6 4; 453434F7- 1;64052F82; 574133F90; 082926F100; 886911VE1151e--2; 45797F1-1; 85288F2- 5; 28422F3 1;25308F4- 4;26308F50; 347562F6 3; 804246F11e-Eið16ÞR1/1用于隐藏层。建立了ANNTE模型的结构11Þ离子交换树脂BSFCVEY. Kurtgoz等人 /工程科学与技术，国际期刊20（2017）1563-15701567图二. 用于TE估计的ANN结构。表4ANNTE输入和隐藏层之间的权重。iEi¼w1×Aw2×Bw3×Cw4×Dw5×Ehiw1w2w3w4w5hi电话：+86-0512 - 8888888传真：+86-0512 - 88888888电话：+86-510 - 8888888传真：+86-510 - 8888888电话：+86-21 - 65555558传真：+86-21 - 6555555电话：+86-10 - 88888888传真：+86-10 - 88888888电话：+86-10 - 6666666传真：+86-10 - 6666666表5神经网络BSFC的输入和隐藏层之间的权重BSFC。iEi¼w1×Aw2×Bw3×Cw4×Dw5×Ehiw1w2w3w4w5hi电话：+86-10 - 6666666传真：+86-10 - 6666666电话：+86-510 - 8888888传真：+86-510 - 88888888电话：+86-21 - 8666666传真：+86-21 - 86666666电话：+86-10 - 8888888传真：+86-10 - 88888888电话：+86-21 - 66929 - 8888888传真：+86-21 - 66929 - 8888888电话：+86-0530465 - 2.0887502传真：+86-0530465 - 2.08875022019 - 05 - 29 10：00：00电话：+86-10 - 8888888传真： +86-10 - 88888888电话：+86-10 - 8888888传真：+86-10 - 8888888810 2.549971-0.465 2.084675-0.556335 2.0886311-2.7996457表6人工神经网络VE输入和隐层之间的权重为VE。iEi¼w1×Aw2×Bw3×Cw4×Dw5×Ehiw1w2w3w4w5hi电话：+86-0753 - 8888888传真：+86-0753 - 8888888电话：+86-10 - 8888888传真：+86-10 - 88888888电话：+86-0516 - 8888888传真：+86-0516 - 8888888电话：+86-10 - 8888888传真：+86-10 - 88888888电话：+86-21 - 6666666传真：+86-21 - 66666666电话：+86-0571 - 8888888传真：+86-0571 - 88888883.2. 发动机性能评估对于试验数据，将神经网络对沼气发动机的预测结果与试验结果进行了比较。 三比五BSFC值通过将生物气通到通过辉光式气体计数器用作燃料。图3显示了BSFC、甲烷浓度和发动机负荷之间的关系。使用便携式沼气分析仪测定实验中用作燃料的沼气组成。根据测定的沼气量小行星1568Kurtgoz等人/工程科学与技术，国际期刊20（2017）1563表7火花点火发动机的RMSE、MAPE和R值目标培训测试RMSEMAPERRMSEMAPERTE（%）0.301.800.99920.783.190.9901BSFC（m3/kWh）0.041.360.99960.115.260.9594VE（%）0.280.290.99961.491.540.9608图3.第三章。负荷和甲烷浓度值的BSFC曲线图四、负荷和甲烷浓度值的TE曲线图五.负荷和甲烷浓度值的VE曲线。Y. Kurtgoz等人 /工程科学与技术，国际期刊20（2017）1563-15701569混合物.通过使用所确定的低热值来获得TE值。TE、CH4浓度与发动机负荷的关系曲线如图4所示，VE、CH4浓度与发动机负荷的关系曲线如图5所示。 五、TE、BSFC和VE值随训练期的估计RMSE分别为0.78、该估计值显示在图2和图3中。图3-5表明，这种接近意味着开发的模型可以正确地学习训练数据。所建立的模型对TE、BSFC和VE的预测能力是令人满意的。4. 结论在研究中，人工神经网络估计方法的可用性的生物质燃料的火花点火发动机的TE，BSFC和VE值进行了研究。为了训练模型，TE，BSFC和VE估计使用CH4比率，发动机负荷，进气温度（Tin），空燃比，和最大缸内压力作为训练数据。将所建模型预测的数据与未用于训练的实验数据进行比较，并通过测量模型的性能来检验模型的可靠性。研究的重要结论如下：a- 结果表明，人工神经网络方法可以有效地预测火花点火发动机的工作条件b- TE、BSFC和VE估计值的最佳R值分别为0.9901、0.9594、0.9608，均在可接受范围内。c- c计算的MAPE和RMSE值也表明所开发的模型的估计性能较高。d- 它已被确定，人工神经网络可以用来估计BSFC，TE和VE值具有高精度，而不必进行复杂和及时的研究。可在以下领域开展进一步研究a- 本研究所获得的结果可以与从不同的ANN训练算法所获得的结果相比较。b- 除了ANN模型外，还可以使用其他估计方法（如MLRA和ANFIS）来提高所开发模型c- C. 除了TE、BSFC和VE估算值外，还可以估算废气排放值（CO、HC）。d- 在对不同的甲烷含量、发动机负荷、进气温度等进行不同的实验研究的情况下，可以再次训练模型，并且可以检查它们的结果。致谢本研究由Karabuk大学科学研究项目组资助（项目编号：KBAP-BAP-14/2-DR-004）。引用[1] J.R.Fanchi ， Energy ： TechnologyandDirectionsfortheFuture ，ElsevierAcademic Press，London，2004。[2] A. Boudghene Stambouli，H. Koinuma，关于阿尔及利亚撒哈拉太阳能增殖项目实现和发展的长期愿景和战略的初步研究，可再生可持续能源评论（2012）591- 598。[3] F. 耶 图 湾 Azoui ， A.Malek ， A. 北 卡 罗 来 纳 州 伽 马 Panwar ， Solar cookerrealizations inactual用途：an overview，Renewable Sustainable Energy Rev. 37（2014）288- 306.[4] JP G Gomez Montoya，A.A. Amell Arrieta，A.F. Apata Lopez，使用沼气和甲烷混合物的高压缩发动机中的火花点火发动机性能和排放而不发生爆震，Therm.Sci. 19（2015）1919- 1930。[5] E. Porpatham，A.拉梅什湾Nagalingam，当用作火花点火发动机的燃料时沼气中甲烷浓度的影响的研究，燃料87（2008）1651-1659。[6] E. Porpatham，A.拉梅什湾张文，空气涡流对火花点火发动机性能和燃烧的影响，北京：机械工业出版社。管理。76（2013）463-471。[7] M. Eyidogan，A.N. Ozsezen，M. Zanakci，A. Turkcan，酒精汽油燃料混合物对SI发动机性能和燃烧特性的影响，燃料89（2010）2713-2720。[8] M.B. 高压缩比乙醇汽油混合比的实验测定，应用热分析。Eng.28（2008）396-404。[9] C.帕克湾，澳-地崔角，澳-地Kim，S.哦，G。林，Y。Moriyoshi，使用乙醇和乙醇重整气的火花点火发动机的性能和排气排放特性，燃料89（2010）2118-2125。[10] J. 李正民贡，Y.Su，H. L.Dou，X.J. 刘，喷射和点火正时对以甲醇为燃料的火花点火发动机的性能和排放的影响，燃料89（2010）3919-3925。[11] I. Celikten，A.Koca，M.A.Arslan，在不同压力下注入的柴油燃料、油菜籽和大豆油甲酯的性能和排放的比较，可再生能源35（2010）814-820。[12] I. 张文龙，柴油机喷油压力对发动机性能和排放影响的试验研究，应用热分析。Eng.23（2003）2051-2060。[13] M.B. 阿 利 利 克 湾 Ozdalyan ， F. Alkan ， The use of pure methanol as fuel athighcompression ratio in a single cylinder gasoline engine ， Fuel 90 （ 2011 ）1591- 1598.[14] Y.Yapay，用人工神经网络预测汽油发动机性能Yapaysiniragpneumaticbirbenzinlimotorunperformanstahmini，燃料111（2013）324-331。[15] H. 奥格乌兹岛。萨雷塔斯阁下Baydan，柴油机性能预测，生物燃料与人工神经网络，专家系统应用37（2010）6579[16] A. Parlak，Y.伊斯拉姆奥卢湾Yasar，A.张文，应用人工神经网络预测柴油机的燃油消耗率和排气温度，应用热分析。Eng.26（2006）824-828。[17] M. Kapusuz，H.Ozcan，J.A.杨明，基于人工神经网络的汽油醇混合燃料发动机性能研究，应用热分析。Eng.91（2015）525-534。[18] M.D.苏菲湾Ghobadian湾Najalan，M. Sabzimaleki，F. Jaliliantabar，使用人工神经网络的具有生物润滑剂的SI二冲程发动机的性能和废气排放， Energy Proc。 75（2015）3-9。[19] K. Prasada Rao，T.V. Babu，G. Anuradha，B.V. Appa Rao，IDI柴油发动机性能和废气排放分析使用生物柴油与人工神经网络（ANN ），埃及。 J.汽油 26（2017）593-600。[20] J. Syed ， R.U. 拜 格 ， S 。 阿 尔 加 尼 ， Y.V.V.S. Murthy ， M. Masood ， M.Inamurrahman，氢双燃料柴油发动机特性的人工神经网络建模：实验方法，国际氢能杂志42（2017）14750-14774。[21] S. Dharma，M.H.Hassan，H.C.翁，A.H.Sebayang，A.S.Silitonga，F.楠茂，J. Milano，使用人工神经网络对柴油发动机中混合麻疯树-Ceiba pentandra生物柴油混合物的性能和排放的实验研究和预测，J. Clean。Prod. 164（2017）618-633。[22] T.F. Yusaf，D.R. Buttsworth，K.H. Saleh，B.F. Yousif，CNG-柴油发动机性能和废气排放分析，借助人工神经网络，应用能源87（2010）1661-1669。[23] S.罗伊河，巴西-地Banerjee，A.K.达斯峰Bose，基于ANN的系统识别工具的开发以估计CRDI辅助的CNG双燃料柴油发动机的性能-排放特性，J. Nat. Gas Sci. Eng.21（2014）147- 158。[24] M. Bietresato，A. Calcante，F. Mazzetto，间接估计农用拖拉机发动机性能的神经网络方法，燃料143（2015）144-154。[25] N.K. Togun，S.Baysec，通过使用人工神经网络预测汽油发动机的扭矩和比燃料消耗，应用能源87（2010）349-355。[26] C. Sayin，H. M. Ertunc，M.霍索兹岛基利卡斯兰湾杨文，基于神经网络的汽油机性能与排放分析，应用工程学报。 温度Eng.27（2007）46-54。[27] R.F. Turkson，F.Yan，M.K.A.Ali，J. Hua，人工神经网络在火花点火发动机标定中的应用：概述，Eng. Sci. 19（2016）1346-1359。[28] S. Kathirvel，A. Layek，S. Muthuraman，废弃食用油甲酯（WCOME）作为压燃式发动机燃料的探索：评论，Eng. Sci. 19（2016）1018-1026。[29] M.厄兹戈伦湾比尔吉利湾Sahin，土耳其使用人工神经网络估算全球太阳辐射，专家系统。Appl. 39（2012）5043-5051。[30] S. M.Mohandes，使用空气温度和相对湿度的全球太阳辐射的人工神经网络估计，能源政策36（2008）571-576。小行星1570 Kurtgoz等人/工程科学与技术，国际期刊20（2017）1563[31] A. Sozen，E.阿卡克利奥卢湾Ozalp，N. Caglar，基于神经网络方法的土耳其太阳能潜力预测，可再生能源30（2005）1075-1090。[32] 圣公会周，E.W.M. Lee，D.H.W.李，智能方法对光伏发电的短期预测，能源建设。(Cool屋顶，凉爽的路面，凉爽的城市，和凉爽的世界）55（2012）660-667。[33] A.K. Yadav，S.S. Chandel，在基于ANN的预测模型中使用WEKA的J 48算法对喜马偕尔邦西喜马拉雅印度州的太阳能潜力进行评估，可再生能源75（2015）675-693。[34] A.K. Yadav，H. Malik，S. S. Chandel，选择最相关的输入参数使用WEKA人工神经网络基于太阳辐射预测模型，可再生可持续能源Revi。 31（2014）509-519。
我的内容管理
展开
