Broad information on exhaust emissi

Broad information on exhaust emissions facilitates the design of modern machinery and processing equipment with modified quality specifications. This paper is aimed at investigating soot and NOx emissions as affected by crank-angle, liquid mass evaporated, mean diesel mass fraction and heat release rate of group-hole injectors utilizing computational fluid dynamics (CFD) while the objective parameters are prognosticated by a supervised artificial neural network (ANN). A feed-forward ANN with standard back propagation (BP) learning algorithm was adopted for problem modeling with varying number of neurons in the hidden layer. A 4-17-2 topology with Levenberg–Marquardt training algorithm (trainlm) denoted mean squared error (MSE) and mean relative error (MRE) of 0.8051 and 0.0818, respectively. The supervised ANN also represented coefficient of determination, R2 of 0.9716 and 0.9678 for NOx and soot emissions, respectively. The obtained results have shed light on promising ability of ANN as a powerful modeling tool for prognostication of soot and NOx emissions due to some spray specifications.

ผลลัพธ์ (ไทย) 1:

ข้อมูลการปล่อยไอเสียสิ่งอำนวยความสะดวกในการออกแบบเครื่องจักรที่ทันสมัยและอุปกรณ์การประมวลผลกับข้อมูลจำเพาะเกี่ยวกับคุณภาพแก้ไข กระดาษนี้มีวัตถุประสงค์เพื่อตรวจสอบหาคราบเขม่า และการปล่อย NOx เป็นผลกระทบจากมวล มุมข้อเหวี่ยง ของเหลวระเหย หมายถึง ดีเซลส่วนมวลและความร้อนปล่อยอัตราคำนวณไว้กลุ่มหลุมใช้พลศาสตร์ของไหลเชิงคำนวณ (CFD) ในขณะที่วัตถุประสงค์มี prognosticated พารามิเตอร์ โดยการดูแลโครงข่ายประสาทเทียม (แอน) แอนไปฟีด มีมาตรฐานหลังการเผยแพร่ (BP) อัลกอริทึมการเรียนรู้ถูกนำมาใช้สำหรับสร้างแบบจำลองปัญหากับจำนวนของเซลล์ประสาทในชั้นซ่อน 4-17-2 โทโพโลยีกับอัลกอริธึมการฝึก Levenberg – Marquardt (trainlm) ระบุ squared ข้อผิดพลาด (MSE) มีความหมาย และความหมาย ผิดพลาดสัมพัทธ์ (MRE) ของ 0.8051 และ 0.0818 ตามลำดับ แอนดูแลยังแสดงค่าสัมประสิทธิ์ของความมุ่งมั่น R2 ของ 0.9716 และ 0.9678 สำหรับการปล่อย NOx และเขม่า ตามลำดับ ได้รับผลได้หลั่งน้ำตาแสงในสัญญาสามารถของแอนเป็นเครื่องมือสร้างแบบจำลองที่มีประสิทธิภาพสำหรับ prognostication ของเขม่าและการปล่อยก๊าซ NOx เนื่องจากข้อมูลจำเพาะบางสเปรย์

ผลลัพธ์ (ไทย) 2:

ข้อมูลในวงกว้างเกี่ยวกับการปล่อยไอเสียอำนวยความสะดวกในการออกแบบของเครื่องจักรที่ทันสมัย​​และการประมวลผลอุปกรณ์ที่มีคุณสมบัติที่มีคุณภาพมีการปรับเปลี่ยน บทความนี้มีวัตถุประสงค์ที่จะตรวจสอบเขม่าและ NOx ปล่อยก๊าซเรือนกระจกที่เป็นผลกระทบจากการหมุนมุมมวลของเหลวระเหยหมายถึงส่วนมวลดีเซลและอัตราการปล่อยความร้อนของหัวฉีดกลุ่มหลุมใช้คำนวณพลศาสตร์ของไหล (CFD) ในขณะที่พารามิเตอร์วัตถุประสงค์ prognosticated โดยภายใต้การดูแล เครือข่ายประสาทเทียม (ANN) ฟีดไปข้างหน้า ANN กับวิธีการขยายพันธุ์กลับ (BP) การเรียนรู้มาตรฐานถูกนำมาใช้สำหรับการสร้างแบบจำลองปัญหาที่แตกต่างกันจำนวนของเซลล์ประสาทในชั้นซ่อน 4-17-2 โครงสร้างด้วยวิธีการฝึกอบรม Levenberg-Marquardt (trainlm) แสดงคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) และหมายถึงความผิดพลาด (MRE) ของ 0.8051 และ 0.0818 ตามลำดับ ภายใต้การดูแล ANN ยังเป็นตัวแทนของค่าสัมประสิทธิ์ของความมุ่งมั่นของ R2 0.9716 และ 0.9678 สำหรับ NOx และเขม่าปล่อยก๊าซเรือนกระจกตามลำดับ ผลที่ได้รับได้หลั่งน้ำตาแสงในที่มีแนวโน้มความสามารถของแอนเป็นเครื่องมือในการสร้างแบบจำลองที่มีประสิทธิภาพสำหรับนิมิตของเขม่าควันและการปล่อยก๊าซ NOx เนื่องจากข้อกำหนดของสเปรย์บาง

ผลลัพธ์ (ไทย) 3:

ข้อมูลคร่าว ๆเกี่ยวกับไอเสียในการออกแบบของเครื่องจักรที่ทันสมัยและอุปกรณ์การประมวลผลกับข้อกําหนดคุณภาพแก้ไข งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการปล่อยเขม่าและ NOx ที่เป็นผลจากมุมข้อเหวี่ยง , มวลของของเหลวระเหยหมายถึงเศษส่วนมวลดีเซลและอัตราการปลดปล่อยความร้อนของหัวฉีดกลุ่มหลุมโดยใช้การคำนวณพลศาสตร์ของไหล ( CFD ) ในขณะที่วัตถุประสงค์ค่า prognosticated โดยดูแลโครงข่ายประสาทเทียม ( ANN ) เป็น feed-forward แอนกับมาตรฐานชนิดแพร่กลับ ( BP ) ขั้นตอนวิธีการเรียนรู้แบบใช้ปัญหาที่จำนวนเซลล์ประสาทในชั้นซ่อน . เป็น 4-17-2 ทอพอโลยีด้วยวิธีการฝึกอบรม levenberg –มาร์คว ( trainlm ) กล่าวคือ ค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) และค่าเฉลี่ยความคลาดเคลื่อนสัมพัทธ์ ( แมร์ ) และ 0.8051 0.0818 ตามลำดับ ดูแลแอนยังแสดงสัมประสิทธิ์การตัดสินใจ , R2 ของ 0.9716 0.9678 และสำหรับการปล่อย NOx และเขม่าตามลำดับ ผลการศึกษาที่ได้หลั่งแสงในความสามารถที่มีแนวโน้มของแอนเป็นเครื่องมือสร้างแบบจำลองที่มีประสิทธิภาพสำหรับการทำนายของเขม่าไอเสีย NOx และเนื่องจากบางคุณสมบัติหัวสเปรย์