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.)
