Modélisation par Réseau de Neurone Artificiel des réponses d’un moteur à allumage par compression alimenté en biocarburant

Abstract

Abstract In this work, we apply the artificial neural networks to predict the performance and exhaust emissions for a single cylinder diesel engine fuelled with fossil diesel, biodiesel and their blends. The test were realised under many speed/load regimes. To perform this modelling we used the learning of multilayer perceptron and back-propagation gradient algorithm with momentum, the modification of the network weights was been done by the second-order method of Levenberg- Marquardt. The technique of early termination was been used to avoid over- training the model. The study is carried out with 70% of total experimental data selected for training the neural network, 15% for the network validation and remaining 15% data was been used for testing the performance of the trained network. The developed ANN model was capable of predicting the performance and emissions of the engine with excellent agreement as observed from correlation coefficients within the range of 0.987–0.999 with MSE 7.44E-04 à 2.49E-3. Résumé Dans ce travail, les réseaux de neurones artificiels ont été appliqués pour la prédiction des performances énergétique et les émissions des gaz d’échappement d’un moteur diesel monocylindre alimenté en gazole, en biodiesel et leurs mélanges comme carburants, sous plusieurs régimes vitesse/charge. Pour faire cette modélisation, l'apprentissage du perceptron multicouche a été adopté. Le modèle utilise l'algorithme de rétropropagation du gradient avec momentum avec la modification des poids du réseau effectue par la méthode du second ordre de Levenberg-Marquardt. La technique de l'arrêt prématuré est utilisée pour éviter le sur-apprentissage du modèle. L'étude a été réalisée en utilisant 70% du total des données expérimentales pour l’apprentissage du réseau de neurone, 15% pour la validation du réseau, et le reste des données 15% pour tester les performances du réseau obtenue. Le modèle RNA développé a était capable de prédire les performances et les émissions du moteur avec un excellent accord (coefficients de corrélation dans la plage de 0,987 à 0,999, et l’erreur quadratique moyenne dans le plage 7.44E-04 à 2.49E-3.)