Determining optimal artificial neural network training method in predicting the performance and emission parameters of a biodiesel-fueled diesel generator
Yükleniyor...
Tarih
2019-04-03
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
International Journal of Automotive Engineering and Technologies
Erişim Hakkı
info:eu-repo/semantics/openAccess
Attribution-NonCommercial-ShareAlike 3.0 United States
Attribution-NonCommercial-ShareAlike 3.0 United States
Özet
Artificial neural network (ANN) methods were employed and suggested in modeling the
emissions and performance of a diesel generator fueled with waste cooking oil derived biodiesel
during steady-state operation. These papers are generally built on determining optimal network
structure, but the modelling accuracy of an ANN is also highly dependent on employed training
method. In modeling, operating conditions and fuel blend ratio were used as the inputs while
the performance and emission parameters were the outputs. The modeling results obtained by
conventional ANNs that were trained by back propagation (BP) learning algorithm, radial basis
function (RBF), and extreme learning machine (ELM) were compared with experimental
results and each other. The accuracy of the estimations by ELM was above 95% for all the
output parameters except for specific fuel consumption and thermal efficiency. Moreover, ELM
performed better than BP and RBF with lower mean relative error (MRE) in case where the
emissions were estimated. The ELM provided correlation coefficients of 0.987, 0.950 and
0.996 for unburned hydrocarbons (HCs), nitrogen oxides (NOx) and smoke opacity (SO),
respectively, while for BP, they were 0.973, 0.818, 0.993, and for RBF, 0.975, 0.640 and 0.981.
The most suitable training function for each emission and performance parameters of diesel
generator was determined based on obtained accuracies.
Modellemede yapay sinir ağı (YSA) yöntemleri kullanılmış ve önerilmiştir. atık yemeklik yağdan elde edilen biyodizel ile yakıtlı bir dizel jeneratörün emisyonları ve performansı kararlı durum çalışması sırasında. Bu makaleler genellikle optimum ağ belirleme üzerine kuruludur. yapı, ancak bir YSA'nın modelleme doğruluğu da yüksek oranda kullanılan eğitime bağlıdır. yöntem. Modellemede girdi olarak işletme koşulları ve yakıt karışım oranı kullanılmıştır. performans ve emisyon parametreleri çıktılardır. Elde edilen modelleme sonuçları geri yayılım (BP) öğrenme algoritması ile eğitilmiş geleneksel YSA'lar, radyal tabanlı işlevi (RBF) ve aşırı öğrenme makinesi (ELM) deneysel yöntemlerle karşılaştırılmıştır. Sonuçlar ve birbirleri. ELM tarafından yapılan tahminlerin doğruluğu, tüm testler için %95'in üzerindeydi. özgül yakıt tüketimi ve ısıl verim hariç çıkış parametreleri. Ayrıca, ELM olması durumunda daha düşük ortalama bağıl hata (MRE) ile BP ve RBF'den daha iyi performans gösterdi. emisyonları tahmin edilmiştir. ELM, 0,987, 0,950 ve yanmamış hidrokarbonlar (HC), nitrojen oksitler (NOx) ve duman opaklığı (SO) için 0.996, sırasıyla BP için 0,973, 0,818, 0,993 ve RBF için 0,975, 0,640 ve 0,981 idi. Dizel her bir emisyon ve performans parametresi için en uygun eğitim fonksiyonu jeneratör, elde edilen doğruluklara göre belirlendi.
Modellemede yapay sinir ağı (YSA) yöntemleri kullanılmış ve önerilmiştir. atık yemeklik yağdan elde edilen biyodizel ile yakıtlı bir dizel jeneratörün emisyonları ve performansı kararlı durum çalışması sırasında. Bu makaleler genellikle optimum ağ belirleme üzerine kuruludur. yapı, ancak bir YSA'nın modelleme doğruluğu da yüksek oranda kullanılan eğitime bağlıdır. yöntem. Modellemede girdi olarak işletme koşulları ve yakıt karışım oranı kullanılmıştır. performans ve emisyon parametreleri çıktılardır. Elde edilen modelleme sonuçları geri yayılım (BP) öğrenme algoritması ile eğitilmiş geleneksel YSA'lar, radyal tabanlı işlevi (RBF) ve aşırı öğrenme makinesi (ELM) deneysel yöntemlerle karşılaştırılmıştır. Sonuçlar ve birbirleri. ELM tarafından yapılan tahminlerin doğruluğu, tüm testler için %95'in üzerindeydi. özgül yakıt tüketimi ve ısıl verim hariç çıkış parametreleri. Ayrıca, ELM olması durumunda daha düşük ortalama bağıl hata (MRE) ile BP ve RBF'den daha iyi performans gösterdi. emisyonları tahmin edilmiştir. ELM, 0,987, 0,950 ve yanmamış hidrokarbonlar (HC), nitrojen oksitler (NOx) ve duman opaklığı (SO) için 0.996, sırasıyla BP için 0,973, 0,818, 0,993 ve RBF için 0,975, 0,640 ve 0,981 idi. Dizel her bir emisyon ve performans parametresi için en uygun eğitim fonksiyonu jeneratör, elde edilen doğruluklara göre belirlendi.
Açıklama
Anahtar Kelimeler
Extreme Learning Machine, Artificial Neural Network, Radial Basis Function, Back Propagation, Biodiesel, Diesel Generator, Emissions, Aşırı Öğrenme Makinesi, Yapay Sinir Ağı, Radyal Temel Fonksiyonu, Geri yayılım, Biyodizel, Dizel Jeneratör, Emisyonlar
Kaynak
WoS Q Değeri
N/A
Scopus Q Değeri
Cilt
7
Sayı
1
Künye
Altun, Ş., Ertuğrul, Ö.F. (2018). Determining optimal artificial neural network training method in predicting the performance and emission parameters of a biodiesel-fueled diesel generator. International Journal of Automotive Engineering and Technologies, 7 (1), pp. 7-17. DOI: https://doi.org/10.18245/ijaet.438042
