ANN Technique to Predict Performances of Diesel Engine Runs by Butanol-Diesel Blends
| Main Author: | Maki, Duraid F. |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
University of Babylon
, 2018
|
| Subjects: | |
| Online Access: |
https://www.journalofbabylon.com/index.php/JUBES/article/view/1168 https://www.journalofbabylon.com/index.php/JUBES/article/view/1168/916 |
Daftar Isi:
- تعتبر دراسه الاداء لمحركات الديزل التي تعمل بخليط من البيوتانول– ديزل واحدة من حالات البحث المهمة. و قد بذلت جهود كبيره في ابحاث و دراسات عمليه و نظريه في هذا المجال. ان تقنيه استخدام الشبكات العصبيه الصناعيه واحدة من الطرق المستخدمه لدراسه وتخمين اداء محركات الديزل التي تعمل بخلائط البيتانول – الديزل. ان الشبكه العصبيه الصناعيه تستخدم مايسمى بخوارزميه التغذيه الاماميه و التقدم الرجعيه. تمثلت خواص الاداء ب الكفاءه المكبحيه و كميه صرف الوقود و درجه حرارة غازات العادم. تم دراسه اكثر من اربعين تشكيل للموديل موضع البحث. ولكل تشكيل تم حساب معدل الخطا و اعلى خطا و اقل خطا و قد استخدمت الانحرافات المعياريه من الاحصاء لدراسه افضل تشكيل و الذي يعطي اقل خطا و اسرع وصول الى الحل. تم ضبط الخطا في برنامج الموديل ليكون فقط 1% و نسبه الخطا في التعديل و التصويب و3%. لقد اكدت النتائج المستقاه من هذا الموديل كفاءه الشبكات العصبيه الصناعيه في تخميين سلوك الاداء لمحرك يعمل بوقود الديزل و استخدم خليط البيوتانول كوقود نظيف له .
- Performance of a diesel engine running under butanol-diesel blends one of important cases to evaluate the variance in the engine performance due to the fuel type change. Many efforts exerted in this field. Artificial neural network (ANN) model one of modern technique is used to predict the engine performance. ANN using a multi layer feed forward back propagation learning algorithm is developed to evaluate diesel engine performance. The brake efficiency, fuel consumption and exhaust temperature are predicted. The data required for training of ANN model are collected from experimental tests carried out on multi cylinder diesel engine. More than forty different architectures are tested for obtaining best fitting model. Maximum, minimum as well as average percentage errors are calculated for each architecture and R & s test is carried out to decide upon the best architecture for this model. The training process is set to stop when all errors are below 0.01 for training and below 3% for the validation. The results obtained from trained model are compared with experimental data of engine performance. The numerical investigation demonstrated that the ANN model is the best approach and assessment program for diesel engine performance with only 0.7% absolute average errors. The precise results of the model indicated an excellent and prompting training of ANN model.