Applying neural network in computing filling coefficient of four-stroke internal combustion engine

Abstract

Neural networks consist of many simple elements operating in parallel. In supervised training they are capable of finding their own solution to a particular problem, given only examples of proper behavior. It is a very useful method of solving complex, non-linear problems. The following article discusses the usage of artificial neural network to compute the value of filling coefficient of four-stroke internal combustion engines as the function of crankshaft rotational speed and throttle opening angle. The paper presents the idea of a static, two-layer feedforward network trained with the basic backpropagation algorithm in which the weights and biases are updated in the direction of the negative gradient. The article discusses network architecture and data structure, training parameters and result analysis.

Sieci neuronowe zbudowane są z dużej liczby prostych elementów działających równolegle. Uczenie z nauczycielem pozwala sieci znaleźć nowe rozwiązanie konkretnego problemu tylko na podstawie zestawu znanych poprawnych zachowań. Jest to skuteczna metoda rozwiązywania złożonych, nieliniowych zagadnień. W poniższym artykule przedstawiono przykład wykorzystania sztucznej sieci neuronowej do obliczania wartości współczynnika napełnienia cylindra czterosuwowych silników spalinowych spalania wewnętrznego w funkcji prędkości obrotowej wału korbowego i kąta otwarcia przepustnicy. Przedstawiono statyczną, dwuwarstwową sieć trenowaną podstawową metodą wstecznej propagacji błędów, w której wartości wag i progów zmieniają się w kierunku ujemnego gradientu na powierzchni błędu. W artykule omówiono budowę sieci i strukturę danych uczących, parametry trenowania oraz analizę wyników.