Altun, ŞehmusErtuğrul, Ömer Faruk2021-10-282021-10-282019-04-03Altun, 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.4380422146-9067https://doi.org/10.18245/ijaet.438042https://hdl.handle.net/20.500.12402/3838Artificial 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.eninfo:eu-repo/semantics/openAccessAttribution-NonCommercial-ShareAlike 3.0 United StatesExtreme Learning MachineArtificial Neural NetworkRadial Basis FunctionBack PropagationBiodieselDiesel GeneratorEmissionsAşırı Öğrenme MakinesiYapay Sinir AğıRadyal Temel FonksiyonuGeri yayılımBiyodizelDizel JeneratörEmisyonlarArticle71717N/A