机器学习算法的比较,用于预测柴油/生物柴油/异醇混合发动机性能和排放量
1Selçuk University, Faculty of Agriculture, Department of Agricultural Machinery and Technologies Engineering, 42140, Konya, Turkey.
Heliyon
|November 13, 2023
概括
机器学习模型准确地预测使用替代燃料混合物的发动机性能和排放量. 人工神经网络 (ANN) 在预测制动热效率 (BTE) 和制动特定燃油消耗 (BSFC) 方面表现出色,而极端梯度增强 (XGBoost) 准确估计了二氧化碳和碳化合物排放.
科学领域:
- 燃烧发动机的使用情况
- 其他替代燃料 替代燃料
- 机器学习 机器学习
背景情况:
- 优化发动机性能和减少排放对于可持续运输至关重要.
- 替代燃料,如异醇和生物柴油混合物,为减轻环境影响提供了潜在的解决方案.
- 机器学习 (ML) 为分析复杂的引擎数据和预测性能指标提供了强大的工具.
研究的目的:
- 用ML技术评估各种燃料混合物的发动机性能和排放量.
- 确定最佳的异醇和生物柴油比率,以提高发动机效率和减少排放.
- 为了比较人工神经网络 (ANN),支持矢量机 (SVM) 和极端梯度增强 (XGBoost) 模型的预测能力.
主要方法:
- 使用ANN,SVM和XGBoost模型分析发动机性能数据 (BTE,BSFC,废气温度) 和排放 (NOx,CO2,碳化合物).
- 专注于在柴油混合物中保持常数的生物柴油比率,同时在不同的异醇比率上.
- 使用回归系数 (R2),根平均平方误差和平均绝对误差验证模型性能.
主要成果:
- 在预测制动热效率 (BTE) (R2=0.984) 和制动特定燃油消耗 (BSFC) (R2=0.958) 方面,ANN表现出卓越的性能.
- 在预测废气温度方面,SVM取得了最佳表现 (R2=0.981).
- 在预测二氧化碳 (R2=0.956) 和碳化合物排放 (R2=0.973) 方面,XGBoost表现出色,而ANN显示出强的NOx预测 (R2=0.959).
结论:
- 对于准确的发动机性能预测 (BTE,BSFC),ANN模型非常有效.
- XGBoost模型为关键排放参数 (CO2,碳化合物) 提供了准确的预测.
- ML技术为优化内燃机中的替代燃料混合提供了一个强大的框架.
