Bu tədqiqat, %60 n-pentanol və %40 dizel yanacaq karışımıyla işçi tez-tezıştırma ateşlemeli bir mühərrikun performansını, yanma zorakılıqini və egzoz emissiyalarını üç mühərrik kontrol dəyişkeninden proqnoz etmek üçün məlumat setinden müstəqil bir maşın öyrənməsi çərçivəsi geliştirmiştir. Araşdırmada düzgünlanmış üç ölçülu hesaplamalı akışqanlar dinamiği modeliyle istehsal olunan 431 məlumat örneği kullanılmış; sorma təzyiqi, sorma temperaturu və püskürtmə təzyiqindan indike termal məlumatm, eşdəyər indike özgül yanacaq istehlaki, yanma çınlama zorakılıqi, NO_x, qurum, CO və CO₂ dəyərleri proqnoz edilmiştir. Çoxqatlı perseptron sinir şəbəkəsi genel olaraq en uğurlu model olurken yanma çınlama zorakılıqi və NO_x üçün dəstək vektor maşını qələviı meyarlerde küçük bir üstünlük göstərmişdir. Bununla belə tədqiqat hüquqem dəyərlendirmesinden gecmemiştir; təhsil məlumatleri yeni müstəqil mühərrik təcrübəlerinden değil, daha əvvəl düzgünlanmış bir CFD modelinden üretilmiştir və spromptin fərqlı müstəqil məlumat setlerindeki genellenebilirliği birbaşa gösterilmemiştir.

Beş auditli öğrenme modeli qarşılaştırılmıştır: çoxqatlı perseptron sinir şəbəkəsi (multilayer perceptron, MLP), təsadüfi orman (random forest, RF), ekstremal qradiyent artırma (XGBoost), dəstək vektor maşını (support vector machine, SVM) və k-ən yaxın qonşu (k-nearest neighbors, KNN). Veri nümunəlerinin %80’i təhsil, %20’si test üçün ayrılmış; miqyaslayıcı yalnız təhsil məlumatsine uydurularak məlumat sızıntısı azaltılmaya çalışılmıştır.

MLP modeli indike termal məlumatmde R² = 0,9491, eşdəyər indike özgül yanacaq istehlakinde R² = 0,9439, qurumda R² = 0,9513, CO’da R² = 0,9612 və CO₂’de R² = 0,8983 dəyərlerine ulaşmıştır. Yanma çınlama zorakılıqinde SVM’nin R² dəyəri 0,8959, MLP’nin dəyəri 0,8953’tür. NO_x üçün SVM R² = 0,8856 ilə MLP’nin 0,8791 dəyərinin pivəz üzərinde kalmıştır.

Tədqiqatda en uyğun olaraq sunulan giriş koşulları 1,2 bar sorma təzyiqi, 353 K sorma temperaturu və 125 MPa püskürtmə təzyiqidır. Bu noktada CFD simulyasiyau %47,68 indike termal məlumatm, 170,83 g/kWh eşdəyər indike özgül yanacaq istehlaki, 4,8609 MW/m² yanma çınlama zorakılıqi, 0,29 g/kWh NO_x, 0,0052 g/kWh qurum, 16,48 g/kWh CO və 279,38 g/kWh CO₂ vermiştir. MLP proqnozleri məlumatm, yanacaq istehlaki, CO və CO₂ üçün simulyasiyaa çok yakınken NO_x və çınlama zorakılıqindeki fərqlar daha büyüktür.

Geliştirilən Python/Django arayüzü kullanıcıların CSV və ya XLSX dosyalarını yüklemesine, giriş və hədəf sütunlarını seçmesine, modelleri yenidən eğitmesine, R², MAE və RMSE nəticələrını görüntülemesine və belirlenen mühərrik koşulları üçün anlık proqnoz üretmesine imkân vermektedir. “Həqiqi zamanlı” ifadesi burada eğitilmiş modelin sürətlı proqnoz yapmasını anlatmaktadır; tədqiqat mühərrik idarəetmə blokune bağlanmış qapalı çevrimli bir həqiqi zamanlı mühərrik idarəsi göstərmir.

Araşdırmanın əsas sualsu nədir?

Araşdırmanın əsas sualsu, %60 n-pentanol ehtiva edən yüksek nisbətlı bir n-pentanol/dizel karışımının düşük yükteki mühərrik performansı və emissiyalarının, uzun müddətn yeni təcrübəler və ya her tədqiqat noktası üçün yenidən yürütülen CFD hesaplamaları olmadan kifayətli dəqiqlikla proqnoz edilip ediləmeyeceğidir.

Tədqiqat daha özel olaraq şu suallara cavab aramaktadır:

• Emme basıncı, sorma temperaturu və püskürtmə təzyiqi kullanılarak yedi mühərrik çıxışsı eyni anda proqnoz ediləbilir mi?
• Beş fərqlı maşın öyrənməsi algoritmasından hangisi genel olaraq en iyi sonucu məlumatr?
• Eğitilmiş model, CFD’nin yerine daha sürətlı bir vekil model olaraq kullanılabilir mi?
• Veri və hədəf sütunları sabit kodlanmadan, fərqlı araşdırmacıların öz məlumat setlerini yükleyebiləceği bir arayüz oluşturulabilir mi?
• Belirli mühərrik koşullarında məlumatm, istehlak, çınlama və emissiyalar birlikte kabul ediləbilir səviyyəde tutulabilir mi?

Tədqiqat neden əhəmiyyətlidir?

Bir tez-tezıştırma ateşlemeli mühərrikun sorma təzyiqi, sorma temperaturu, püskürtmə təzyiqi, püskürtmə vaxtlaması, yükü və yanacaq biləşimi birbirini etkiləyen çok sayıda dəyişken oluşturur. Her kombinasyonun təcrübəsel olaraq ölçülmesi; mühərrikun qərarlı duruma gelmesini, yanacaq istehlaki və təzyiq məlumatlerinin kaydedilmesini və egzoz numunesinin təhlil edilmesini gerektirir. Yüksek çözünürlüklü CFD simulyasiyaları da yanma kimyası, püskürtmə parçalanması və emissiya modelleri səbəbiyle önəmlikli hesaplama müddətsi tüketir.

Maşın öyrənməsi, əvvəlden oluşturulmuş bir məlumat setindeki ilişkiyi öğrenerek yeni bir giriş kombinasyonunun olası nəticələrını çok daha kısa müddətde hesaplayabilir. Bu yanaşma fiziksel mühərrikun və ya CFD modelinin yerine gecmekten çok, daha əvvəl düzgünlanmış məlumat alanı üçünde işçi bir vekil model oluşturmayı amaçlamaktadır.

N-pentanol neden incələnmişdir?

n-Pentanol, dizelle karışabilən oksigenli bir yüksek alkoqoldür. Tədqiqatın giriş bölməünde n-pentanolün enerji yoğunluğunun etanol və bütanol kimi daha düşük alkoqollere görə dizel yanacaqına daha yakın olduğu, dizelle iyi karıştığı və saxlanma sırasında faz ayrışmasına qarşı görece dayanıklı olduğu belirtilmektedir.

Yakıtın öz moleküler yapısında oksigen bulunması, yanacaqça zəngin bölgəlerde qurum oluşumunu azaltabiləcek bir xüsusiyyət olaraq qiymətləndirilir. Bununla belə yüksek n-pentanol nisbətları, yanacaqın tutuşma davranışını, buharlaşmasını, silindr təzyiq artımını və yanacaq istehlakini de dəyiştirebilir. Bu səbəbdən tək bir çıxışyı iyiləştirmek kifayətli deyil; məlumatm, istehlak, yanma zorakılıqi və fərqlı emissiyaların birlikte dəyərlendirilmesi lazımdır.

Literatürde hangi boşluk hədəflenmiştir?

Məqalənin literatür dəyərlendirmesine göre, daha düşük n-pentanol nisbətlarıyla və ya başka biyoyanacaq karışımlarıyla maşın öyrənməsi uygulamaları bulunmasına rağmen %60 n-pentanol ehtiva edən P60D40 karışımının düşük yük koşullarında sorma təzyiqi, sorma temperaturu və püskürtmə təzyiqi birlikte dəyiştirilərek kapsamlı bdaxiliimde modellenmesi məhduddır.

Araşdırmacılar iki əsas boşluk tanımlamıştır:

1. %60 n-pentanol karışımı üçün üç kontrol dəyişkenini və yedi mühərrik çıxışsını birlikte ehtiva edən geniş bir düşük yük məlumat setinin bulunmaması.
2. Model təhsilini, müqayisəyı, proqnoz istehsalini və məlumat xaricia akkənd təsərrüfatıını eyni ortamda sunan, tək bir sabit məlumat setine bağlı olmayan həqiqi zamanlı qərar destek arayüzünün əskikliği.

Məqalənin bir bölməünde “altı maşın öyrənməsi modeli” ifadesi kullanılmasına rağmen metod, tablolar, grafikler və proqram təminatı arayüzü yalnız beş modeli tərif edir. Altıncı bir algoritmanın adı, hiperparametrsi və ya sonucu məlumatlmemiştir. Bu səbəbdən tədqiqatın faktiki olaraq beş model qarşılaştırdığı kabul edilmelidir.

CFD məlumat seti nasıl yaradılmışdır?

Maşın öyrənməsi modellerinin təhsil məlumatsi birbaşa yeni bir mühərrik test kampanyasından değil, CONVERGE v3.0 kullanılarak oluşturulmuş üç ölçülu bir CFD modelinden elde edilmiştir. Model, dört silindrli, dört zamanlı və elektronik kontrollü bir dizel mühərriku temsil etmektedir.

Hesaplama xərcini azaltmak üçün yanma odasının 45 derecelik sektörü modellenmiştir. Temel hüceyrə ölçüu 3 mm olaraq belirlenmiş, enjektör nozulu çevresinde ikinci seviye uyarlanabilir ağ inceltmesi tətbiq edilmişdir.

Yazarlar CFD modelinin əvvəlki tədqiqatlarında təcrübəsel məlumatlerle olumlu uyum gösterdiğini bildirmektedir. Bununla belə mövcud məqaləde yeni bir təcrübəsel düzgünlama grafiği və ya yeni ham mühərrik testi məlumatsi sunulmamış; əvvəlki düzgünlamaya atıf aparılmışdır. Bu səbəbdən maşın öyrənməsinin düzgünluğu, əsas CFD modelinin düzgünluğundan müstəqil deyil.

Mühərrik hangi koşullarda çalıştırılmıştır?

Veri istehsali düşük yük koşulunda gerçekleştirilmiştir:

• Mühərrik devri: 1.500 dev/dak
• İndike ortalama efektif təzyiq: təxminən 3,8 bar
• Toplam yanacaq enerjisi: çevrim başına 400 J
• Egzoz gazı devridaimi: %0
• Emme basıncı aralığı: 1,1-1,4 bar
• Emme sıcaklığı aralığı: 343-353 K
• Püskürtme basıncı aralığı: 75-125 MPa

Çevrim başına yanacaq enerjisinin 400 J’de sabit tutulması, fərqlı giriş koşullarının eyni təxminən mühərrik yükünde qarşılaştırılmasını sağlamayı amaçlamıştır. EGR’nin %0 tutulması ise emme termodinamiğinin etkisini egzoz gazı seyreltmesiyle karıştırmamak üçün seçilmiştir.

Girişler və hədəf çıxışlar nelerdir?

Yanma çınlama zorakılıqi, silindr daxilii basıncın çok sürətlı yüksəlmesiyle əlaqəli akustik və meqanik yanma zorakılıqini temsil etmektedir. Daha yüksek RI dəyəri, daha sert və potansiyel olaraq daha riskli bir yanma davranışına işaret eder.

Hangi tədqiqat noktaları məlumat setinden çıkarılmıştır?

Maşın öyrənməsi məlumat setinin oluşturulması sırasında aşağıdaki sərhədlərı aşan tədqiqat noktalarının xaricilandığı belirtilmektedir:

• EISFC > 240 g/kWh
• NO_x > 0,4 g/kWh
• Qurum > 0,01 g/kWh
• RI > 8 MW/m²

Bu filtreleme, modellerin texniki açıdan kabul ediləmez görülen tədqiqat noktalarına değil, əvvəlden belirlenen uygulanabilir bölgeye fokuslanmasını sağlamıştır. Ancaq bunun önəmlikli bir yorum sərhədı vardır: Model, filtrelenen sərhədlərin xariciındaki yüksek emissiyalu və ya zorakılıqli yanma koşullarını öğrenmemiş ola bilər. Buna görə etimadli tədqiqat bölgesinin xariciına taşan girişler üçün proqnoz etibarlıliği gösterilmemiştir.

Arayüzün məlumat qeyd ekranında 8 MW/m²’nin və ya 0,4 g/kWh NO_x dəyərinin üzərindeki qələviı nümunəler görünmektedir. Bu ekranın filtrelenmiş P60D40 təhsil məlumat setini mi yoxsa proqram təminatıın məlumat yükleme işlevini göstermek üçün istifadə olunan fərqlı bir nümunə dosyayı mı temsil ettiği izah edilməmişdir.

Maşın öyrənməsi-CFD iş akışı nasıl kurulmuştur?

Tədqiqatın birinci şekli beş aşamalı bir iş akışı göstərir:

1. Emme basıncı, sorma temperaturu və püskürtmə təzyiqi üçün sərhədlərin belirlenmesi.
2. Bu giriş kombinasyonlarının CFD ilə çalıştırılarak mühərrik çıxışlarının üretilmesi.
3. CFD məlumat setiyle MLP, RF, XGBoost, SVM və KNN modellerinin eğitilmesi.
4. Proqnozlerin CFD nəticələrıyla R², MAE və RMSE üzərindən qarşılaştırılması.
5. Seçilən model və arayüzle anlık mühərrik performansı və emissiya proqnozi yapılması.

Şəkilde ilk tədqiqat noktalarının oluşturulmasında genetik algoritma ifadesi yer alır. Ancaq genetik algoritmanın popülasyon ölçüu, məqsəd funksiyası, çaprazlama, mutasyon və ya durdurma meyarleri metod bölməünde izah edilməmişdir. Bu səbəbdən genetik algoritmanın məlumat noktalarını tam olaraq nasıl seçtiği yenidən üretiləbilir səviyyəde məlumatlmemiştir.

Çoxqatlı perseptron sinir şəbəkəsi nasıl tədqiqatktadır?

MLP, üç mühərrik girişini birbirine bağlı gizli qatlardan gecirerek yedi mühərrik çıxışsındaki düzgünsal olmayan ilişkiləri öğrenmektedir. Bir neyronun çıxışsı tədqiqatda şu bdaxiliimde məlumatlmiştir:

\[ MLP = \phi\left(\sum_{j=1}^{n} w_jx_j+b\right) \]

\[ \phi(x)=\max(0,x) \]

Burada x_j giriş dəyişkenini, w_j öğrenilən ağırlığı, b sapma terimini və φ düzgünltulmuş düzgünsal birim (ReLU) aktivasiyaunu göstərir. ReLU, negatif dəyərleri sıfıra fırlanmaştürürken pozitif dəyərleri korur.

Tədqiqatda iki gizli qatın her birinde 100 neyron istifadə edilmişdir. Modelin en çox 2.000 yineleme tədqiqatsına izin məlumatlmiş və təsadüfilik tohumu 42 olaraq müəyyən edilmişdir.

Rastgele orman modeli nasıl proqnoz üretmektedir?

Rastgele orman, eyni məlumat setinin fərqlı nümunə və dəyişken alt kümeleriyle çok sayıda qərar ağacı kurar. Regresyon proqnozi ağaç çıxışlarının ortalamasıyla elde edilir:

\[ \hat{y}=\frac{1}{M}\sum_{m=1}^{M}T_m(x) \]

M toplam qərar ağacı sayısı, T_m(x) ise m’inci ağacın x girişi üçün ürettiği proqnozdir. Tədqiqatda 100 ağaç istifadə edilmişdir. Her yaprak üçün en az bir nümunə, bölünme üçün en az iki nümunə və bootstrap nümunəesi seçilmiştir.

XGBoost modeli nasıl tədqiqatktadır?

XGBoost, qərar ağaçlarını birbirinden müstəqil kurmak yerine arxariciık bdaxiliimde ekler. Her yeni ağaç əvvəlki ağaçların hatalarını azaltmaya çalışır. Amaç fonksiyonu şu bdaxiliimde məlumatlmiştir:

\[ L = l(y,\hat{y})+\sum_{k=1}^{K}\Omega(f_k) \]

l(y,\hat{y}) gerçek və proqnoz edilən dəyər arasındakı kaybı, Ω(f_k) ise k’inci ağacın karmaşıklığını cezalandıran düzenliləştirme terimini temsil eder. Böylece yalnız təhsil hatasını azaltan değil, gereksiz derecede karmaşıklaşmayan bir model amaçlanır.

Tədqiqatda kare hata reqressiya amacı, 0,3 öğrenme nisbətı və 100 ağaç istifadə edilmişdir.

Destek vektör makinesi nasıl istifadə edilmişdir?

SVM, girişlər ilə hədəf çıxışlar arasındakı ilişkiyi belirli bir xətaya davamlılıq üçünde təxminən olaraq tanımlayan bir reqressiya səthi oluşturur. Məqaləde düzgünsal çekirdek üçün şu əsas ilişki məlumatlmiştir:

\[ F(X_i,X_j)=X_i\cdot X_j \]

X_i və X_j giriş vektörleridir. Ancaq gerçek modelde düzgünsal çekirdek yerine radyal tabanlı fonksiyon (RBF) çekirdeği istifadə edilmişdir. RBF çekirdeği düzgünsal olmayan mühərrik davranışlarını temsil edebilir.

SVM üçün C = 1, ε = 0,1 və gamma = “scale” olaraq bırakılmıştır.

K-en yakın komşu proqnozi nasıl aparılmışdır?

KNN, yeni bir mühərrik koşulunu təhsil məlumatsindeki en benzer tədqiqat noktalarıyla qarşılaştırır və komşu çıxışların ağırlıklı ortalamasını kullanır:

\[ \hat{y}_i=\sum_{j=1}^{k}w_{ij}y_{ij} \]

\[ \sum_{j=1}^{k}w_{ij}=1 \]

y_ij i’inci yeni örneğin j’inci en yakın komşusundaki gözlenen çıxış, w_ij ise o komşuya məlumatlen ağırlıktır. Tədqiqatda k = 5 seçilmiş və yaprak ölçüu 30 olaraq müəyyən edilmişdir.

Model təhsili nasıl gerçekleştirilmiştir?

Toplam 431 məlumat örneğinin %80’i təhsil və %20’si test üçün təsadüfi ayrılmıştır. Bu nisbət təxminən olaraq 345 təhsil və 86 test örneğine qarşılık gelmektedir; PDF tam sayı dağılımını ayrıca vermemektedir.

Giriş və hədəf dəyişkenlerinin ölçekleri birbirinden büyük ölçüde fərqlıdır. Məsələn sorma təzyiqi 1,1-1,4 aralığında, püskürtmə təzyiqi 75-125 MPa aralığında, qurum ise binde birler səviyyəsindedir. Ölçek fərqının öğrenmeyi yönlendirmemesi üçün bütün girişler və hədəfler standartlaştırılmıştır.

Ölçekleyicinin yalnız təhsil məlumatsine uydurulması, test məlumatsinin ortalama və ya standart sapma biliksinin təhsil aşamasına sızmasını önlemeyi amaçlamaktadır.

Hiperparametreler nelerdir?

Məqalə hiperparametrlerin “titizlikle ayarlandığını” ifade etse de kapsamlı bir grid search, random search, Bayes optimallaşdırması və ya çarpaz düzgünlama nəticələrı sunmamaktadır. Birçok parametrenin varsailan dəyərde bırakıldığı qeyd edilmişdir. Buna görə model müqayisəsı, her algoritmanın ulaşabiləceği mutlak en iyi yapıdan çok seçilən belirli yapılandırmaların müqayisəsıdır.

R², MAE və RMSE neyi ölçmektedir?

Model performansı üç meyarle dəyərlendirilmiştir.

Belirleme əmsalsı

PDF’de Denklem 6 şu bdaxiliimde dizilmiştir:

\[ R^2=1-\frac{\sum_{k=1}^{N}(y_k-\hat{y}_k)}{\sum_{k=1}^{N}(y_k-\bar{y})} \]

Dizgi xəbərdarlıqsı: Basılı denklemde fərqların kareleri görünmemektedir. Bu bdaxiliim, metinde açıqlanan standart R² tanımıyla uyğun deyil. Tədqiqatın mantığını izahk üçün standart ilişki şu bdaxiliimde düşünülür:

\[ R^2=1-\frac{\sum_{k=1}^{N}(y_k-\hat{y}_k)^2}{\sum_{k=1}^{N}(y_k-\bar{y})^2} \]

y_k gerçek dəyər, ŷ_k model proqnozi, ȳ gerçek dəyərlerin ortalaması və N nümunə sayısıdır. R²’nin 1’e yaklaşması, modelin məlumat dəyişkenliğinin daha büyük bölməünü açıqladığını göstərir.

Ortalama mutlak hata

\[ MAE=\frac{1}{n}\sum_{k=1}^{n}|y_k-\hat{y}_k| \]

MAE, bütün proqnoz hatalarının mutlak büyüklüğünü ortalar. Hedef dəyişken hangi birimdeyse MAE de eyni birimdedir.

Kök ortalama kare hata

PDF’de Denklem 8 şu bdaxiliimde görünmektedir:

\[ RMSE=\sqrt{\frac{1}{N}(y_k-\hat{y}_k)^2} \]

Dizgi xəbərdarlıqsı: Denklemde nümunəler üzərindeki toplam sembolü görünmemektedir. Mətndeki RMSE tanımını izahk üçün standart bdaxiliim belədir:

\[ RMSE=\sqrt{\frac{1}{N}\sum_{k=1}^{N}(y_k-\hat{y}_k)^2} \]

Hatalar kareye alındığı üçün RMSE büyük hataları MAE’ye görə daha güclü bdaxiliimde cezalandırır.

Hangi model en uğurlu olmuştur?

MLP, yedi hədəfin beşinde en yüksek R² dəyərini vermiştir. SVM ise yanma çınlama zorakılıqi və NO_x üçün qələviı meyarlerde küçük bir üstünlük sağlamıştır.

RI üçün SVM’nin R² və RMSE dəyərleri MLP’den az fərqla daha iyidir; ancaq MLP’nin MAE dəyəri 0,7106 ilə SVM’nin 0,7376 dəyərinden daha düşüktür. Bu səbəbdən RI üçün hangi modelin “en iyi” olduğu seçilən meyare bağlıdır.

NO_x üçün SVM üç meyarte de MLP’den daha iyi nəticə vermiştir: R² dəyəri 0,8856’ya qarşı 0,8791, MAE dəyəri 0,0374’e qarşı 0,0398 və RMSE dəyəri 0,0604’e qarşı 0,0621’dir.

Diğer modeller nasıl performans göstərmişdir?

Rastgele orman məlumatm və istehlakde güclü nəticə üretmiş, ancaq NO_x proqnozinde R² = 0,8032 ilə MLP və SVM’nin gerisinde kalmıştır. XGBoost qurum və CO üçün güclü olmasına rağmen MLP’yi gecememiştir. KNN’nin məlumatm və istehlak R² dəyərleri təxminən 0,89 səviyyəsinde kalmış; araşdırmacılar genel proqnoz yeteneğinin diğer modellere görə daha məhdud olduğunu dəyərlendirmiştir.

Proqnoz-gerçek grafiklerinde hangi eğilimler görülmektedir?

MLP üçün çizilən yedi proqnoz-gerçek grafiğinde ideal proqnoz, noktaların 45 derecelik düzgün üzərinde toplanmasıyla temsil edilmektedir. İndike termal məlumatm, yanacaq istehlaki, qurum və CO noktaları bu düzgün çevresinde görece tez-tezı bdaxiliimde klasterləşdirilmiştir.

Yanma çınlama zorakılıqi və NO_x grafiklerinde xüsusiyyətle yüksek gerçek dəyərlerde saçılma artır. Bu görsel eğilim, bu iki dəyişkenin daha düşük R² və daha yüksek göreli hatalara sahip olmasıyla uyğundur.

CO₂ grafiğinde genel düzgünsal eğilim korunmakla birlikte qələviı düşük dəyərli nümunəler proqnoz düzgünsundan daha çox uzaklaşmıştır. Grafikteki kırmızı kölgəli bantların statistik olaraq etimad aralığı mı, proqnoz aralığı mı və ya yalnız reqressiya görselleştirmesi mi olduğu metinde izah edilməmişdir.

Web arayüzü nasıl tədqiqatktadır?

Tədqiqatda Python və Django ilə web tabanlı bir grafik istifadəçi interfeysi gelişdirilmişdir. Sprompt mimarisinde şu əməliyyat akışı yer alır:

1. Kullanıcı kimlik düzgünlaması.
2. Yönetici yetkisi varsa kullanıcı hesabı oluşturma, güncelleme və ya görüntüleme.
3. CSV və ya XLSX məlumat seti yükleme, görüntüleme və ya silme.
4. Giriş xüsusiyyətleri və hədəf sütunlarının dinamik olaraq okunması.
5. Eğitim-test nisbətının kullanıcı tarafından seçilmesi.
6. Beş maşın öyrənməsi modelinin yenidən eğitilmesi.
7. R², MAE və RMSE nəticələrının hesaplanması.
8. Proqnoz-gerçek grafiklerinin yüklenmesi.
9. Belirli girişler üçün anlık proqnoz üretilmesi.
10. Nəticəların CSV dosyası olaraq xaricia aktarılması.

Yükleme sprompti .csv və .xlsx bdaxiliimlerini kabul etmekte və dosya büyüklüğünü 10 MB ilə sərhədlamaktadır. Kullanıcı yüklenen məlumat setini tablo bdaxiliiminde önizleyebilmekte, modellerin hata meyarlerini görebilmekte və nəticə grafiklerini xaricia aktarabilmektedir.

“Məlumat dəstinden müstəqil” ne anlama gelmektedir?

Çərçivənin məlumat setinden müstəqil olması, proqram təminatıın yalnız P60D40 məlumat sütunlarına sabitlenmemesi anlamına gelmektedir. Kullanıcı yeni bir dosya yüklediğinde sprompt sütunları dinamik bdaxiliimde okuyabilmekte, giriş və hədəf alanlarını seçebilmekte və modelleri yenidən eğitebilmektedir.

Ancaq məqalənin proqnoz düzgünluğu yalnız 431 nümunəli tek P60D40 məlumat setinde ölçülmüştür. Fərqlı mühərrik, yanacaq, yük, sensör və ya qurumlara ait müstəqil məlumat setleriyle müqayisəlı bir genelleme təcrübəi sunulmamıştır. Bu səbəbdən “məlumat setinden müstəqillık”, düzgünlanmış evrensel model düzgünluğundan çok proqram təminatı arxitekturasınin esnekliğini ifade etmektedir.

Təhlükəsizlik və kullanıcı yetkiləndirmesi nasıl ele alınmıştır?

Sprompt, düzgünlanmış kullanıcıların giriş yapmasını gerektiren bir kimlik düzgünlama meqanizması ehtiva edir. Yalnızca administratorlər kullanıcı hesaplarını yönetebilmektedir. Giriş yapan araşdırmacılar təhlil paneline yönlendirilmekte və məlumat seti əməliyyatlerini gerçekleştirebilmektedir.

Bununla belə məqaləde parola saklama metodi, şifreleme, erişim günlüğü, saldırı testi, rol tabanlı yetki matriksi və ya məlumat gizliliği auditi hüquqkında texniki etimadlik testi məlumatlmemiştir. “Güvenli” keyfiyyətemesi arayüzde kimlik düzgünlama və administrator yetkisi bulunmasına əsaslanır.

En uyğun tədqiqat noktası nasıl müəyyən edilmişdir?

Model optimallaşdırma arayüzünde en uyğun olaraq sunulan mühərrik girişleri şunlardır:

• Emme basıncı: 1,2 bar
• Emme sıcaklığı: 353 K
• Püskürtme basıncı: 125 MPa

Bu koşulda CFD simulyasiyau və beş modelin proqnozleri aşağıdaki kimidir:

MLP bu tədqiqat noktasında CFD’ye ne qədər yaklaşmıştır?

Bu müqayisə MLP’nin ITE, EISFC, CO və CO₂ üçün CFD’ye çok yakın proqnoz verdiğini göstərir. Qurum dəyərindeki mutlak fərq çok küçük olmakla birlikte taban dəyər de çok küçük olduğu üçün göreli fərq təxminən %3,85’tir.

RI dəyəri təxminən %8,67 yüksek proqnoz edilmiş, NO_x ise təxminən %20,38 düşük proqnoz edilmiştir. Buna görə modelin “bütün çıxışlarda %1-2 sapmayla” çalıştığı söylenəmlikez.

Nəticə bölməünde ITE, EISFC, qurum, CO və CO₂ proqnozlerinin %1-2 sapmayla uyuştuğu belirtilmektedir. Cədvəl 5’e görə ITE, EISFC və CO₂ fərqları %1’in çok altındadır, CO təxminən %1,10’dur, lakin qurumun göreli fərqı təxminən %3,85’tir. Bu səbəbdən metinsel genelleme ilə tablodaki qurum dəyəri arasında küçük bir uyumsuzluk mövcuddur.

Radar grafik ne göstərir?

Model performansının eyni tədqiqat koşulundaki radar grafiğinde simulyasiya, MLP, RF, SVM, XGBoost və KNN eyni yedi eksende qarşılaştırılmıştır. MLP eğrisi ITE, EISFC, qurum, CO və CO₂ eksenlerinde simulyasiya şekline yakın görünmektedir.

NO_x və RI eksenlerinde modeller arasındakı ayrışma daha belirgindir. Ancaq radar grafiğindeki her eksen fərqlı birim və fərqlı ölçek kullandığından, çokgen alanı təkbaşına genel uğur meyarü olaraq yorumlanmamalıdır. Sayısal tablo və ayrı hata meyarleri daha etibarlı müqayisə təqdim edir.

Önceki tədqiqatın nəticələrıyla mövcud model arasındakı ayrım

Özet bölməünde %47,68 ITE, %98,76 NO_x azalması və Euro VI uyğunluğu ifadeleri yer alır. Ancaq mövcud məqaləde %98,76 NO_x azalmasını yenidən hesaplayan bir əsas dizel müqayisə tablosu sunulmamaktadır. Bu dəyərler yazarların əvvəlki P60D40 optimallaşdırma tədqiqatsının tapıntıları olaraq aktarılmaktadır.

Mevcut tədqiqatın birbaşa katkısı, daha əvvəl oluşturulan CFD məlumat alanını maşın öyrənməsi modellerine fırlanmaştürmek və veb interfeysinde sürətlı proqnoz üretmektir. Bu səbəbdən əvvəlki tədqiqatın emissiya azaltımı, mövcud maşın öyrənməsi modelinin müstəqil təcrübəsel emissiya uğursı olaraq sunulmamalıdır.

Ayrıca məlumat seti oluşturulurken Euro VI və ya pratik sərhədlərı aşan tədqiqat noktalarının xaricilanması, geriye kalan proqnoz bölgesinin uyğun koşullardan oluşmasını sağlamaktadır. Bu metod, mühərrikun her koşulda Euro VI standardını qarşıladığını təkbaşına qanıtlamaz.

Tədqiqatın güclü tərəfləri nelerdir?

• Üç kontrol dəyişkeninden yedi mühərrik çıxışsını eyni çərçivəde proqnoz etmektedir.
• Sinir ağı, ağaç tabanlı, çekirdek tabanlı və komşuluk tabanlı beş fərqlı algoritmayı müqayisəktadır.
• Veri sızıntısını azaltmak üçün miqyaslayıcınin yalnız təhsil məlumatsine uydurulduğu qeyd edilmişdir.
• Model nəticələrı yalnız R² ilə değil, MAE və RMSE ilə de dəyərlendirilmiştir.
• CFD və model proqnozleri eyni tədqiqat noktasında birbaşa qarşılaştırılmıştır.
• Veri yükleme, model eğitme, grafik görüntüleme və CSV xaricia aktarma işlevleri tek veb interfeysinde birleştirilmiştir.
• Proqram təminatı, giriş və hədəf sütunlarını dinamik olaraq okuyabiləcek bdaxiliimde tasarlanmıştır.
• Tədqiqat, MLP’nin genel üstünlüğünün yanında SVM’nin RI və NO_x üçün daha iyi olduğu durumları da açıqça bildirmiştir.

Tədqiqatın məhdudlıkları nelerdir?

• Tədqiqat hüquqem dəyərlendirmesinden gecmemiş bir preprinttir.
• Maşın öyrənməsi məlumatleri yeni müstəqil mühərrik təcrübəlerinden değil, CFD simulyasiyalarından üretilmiştir.
• CFD düzgünlamasının ayrıntıları mövcud məqaləde yenidən gösterilmemiş, əvvəlki tədqiqatya yönlendirme aparılmışdır.
• Məlumat dəsti yalnız 431 nümunə ehtiva edir.
• Tədqiqat yalnız 1.500 dev/dak, təxminən 3,8 bar IMEP və düşük yük koşulunu əhatə edir.
• EGR yalnız %0’dır; fərqlı EGR nisbətları öğrenilmemiştir.
• Yakıt biləşimi sabit P60D40’tır; model fərqlı n-pentanol nisbətlarında təsdiqlənməmişdir.
• Üç giriş dəyişkeni xariciında püskürtmə vaxtlaması, püskürtmə sayısı, yük və mühərrik devri model girişsi deyil.
• Veri alanı xariciındaki giriş kombinasyonlarında proqnoz etibarlıliği dəyərlendirilmemiştir.
• Uygunsuz tədqiqat noktalarının təhsilden çıkarılması, modelin sərhəd xariciı koşulları tanıma yeteneğini azaltabilir.
• Yalnızca tək bir təsadüfi %80-%20 ayırma istifadə edilmişdir; k-katlı çarpaz düzgünlama və ya çoklu təsadüfi bölme sonucu məlumatlmemiştir.
• Hiperparametre aramasının kapsamı ayrıntılı olaraq sunulmamıştır.
• Model belirsizliği, proqnoz aralığı və ya etimad sərhədı kəmiyyət bdaxiliimde hesabatlanmamıştır.
• Fərqlı araşdırma gruplarından alınan xarici məlumat setleriyle dataset-agnostic performans təsdiqlənməmişdir.
• Gerçek mühərrik idarəetmə bloku, sensör akışı, donanım döngüsü və ya qapalı çevrim kontrol təcrübəi aparılmamışdır.
• NO_x və RI proqnozleri, en uyğun noktada diğer çıxışlara görə daha yüksek göreli fərq göstərmişdir.
• R² və RMSE denklemlerinin basılı bdaxiliimlerinde matematiksel dizgi əskiklikleri mövcuddur.
• Mətnde bir yerde altı model denmesine rağmen yalnız beş model sunulmuştur.

Tədqiqatın desteklediği nəticələr

• Seçilən P60D40 CFD məlumat alanında beş maşın öyrənməsi modeli yedi mühərrik çıxışsını kullanılabilir dəqiqlikta proqnoz edebilmiştir.
• MLP, hədəflerin çoğunda en yüksek R² və düşük hata dəyərleriyle genel olaraq en güclü model olmuştur.
• SVM, NO_x proqnozinde MLP’den daha iyi nəticə vermiştir.
• 1,2 bar, 353 K və 125 MPa koşulunda MLP; ITE, EISFC, CO və CO₂ üçün CFD’ye yakın proqnoz üretmiştir.
• Maşın öyrənməsi modeli, yeni CFD çalıştırmasına kıyasla eğitildikten sonra daha sürətlı proqnoz üretebilir.
• Python/Django arayüzü məlumat yükleme, yenidən təhsil, model müqayisə və nəticə xaricia aktarma işlevlerini bir araya getirmiştir.

Tədqiqatın qanıtlamadığı nəticələr

• Modelin bütün tez-tezıştırma ateşlemeli mühərriklarda gecerli olduğu gösterilmemiştir.
• Çərçivənin bütün yanacaq karışımlarında eyni düzgünluğu koruduğu qanıtlanmamıştır.
• Həqiqi zamanlı mühərrik idarəetmə blokunde qapalı çevrimli optimallaşdırma gerçekleştirilmemiştir.
• Maşın öyrənməsi modeli fiziksel təcrübə və ya CFD ihtiyacını tamamen ortadan qaldırmamaktadır.
• Modelin təhsil aralığı xariciındaki tədqiqat noktalarında etimadli proqnoz verdiği gösterilmemiştir.
• %60 n-pentanolün bütün yük və devirlerde dizelden daha məlumatmli və ya daha temiz olduğu qanıtlanmamıştır.
• Mevcut tədqiqat təkbaşına %98,76 NO_x azalmasını yenidən düzgünlamamıştır.
• Filtrelenen məlumat seti, mühərrikun her olası tədqiqat koşulunda Euro VI uyumu sağladığını göstərmir.
• Web arayüzündeki kullanıcı girişi, kapsamlı siber etimadlik düzgünlaması mənasına gəlmir.

Gelecekteki olası etkisi nədir?

Bu tür vekil modeller, alternatif yanacaq geliştirme müddətcinde binlerce olası tədqiqat noktasının əvvəl sürətlı bdaxiliimde taranmasını sağlayabilir. En umut məlumatci bölgeler daha sonra yüksək ayırdetməli CFD və ya mühərrik testleriyle düzgünlanabilir. Böylece pahalı təcrübəlerin tüm dizayn alanına eşit bdaxiliimde dağıtılması yerine daha hədəfli kullanılması mümkün ola bilər.

Tədqiqatın öz gələcək planı, məlumat setini daha yüksek yük koşullarını daxilierecek şəkilde genmüəssisək və arayüze avtomatik optimallaşdırma algoritmaları eklemektir. Buna ek olaraq fərqlı mühərrik devri, EGR nisbətı, püskürtmə vaxtlaması, çoklu püskürtmə stratejisi və fərqlı n-pentanol nisbətları modele dâhil edilirse daha kapsamlı bir kalibrasiya aracı oluşturulabilir.

Gerçek uygulamaya geciş üçün modelin müstəqil mühərrik təcrübəleri, fərqlı araşdırma qurumlarının məlumat setleri, qeyri-müəyyənlik təhlili və mühərrik kontrol donanımıyla onlayn test edilmesi lazımdır.

Tədqiqatın Metodi və Nəticələrı

Teknik metod özeti

Temel tapıntıların özeti

Teknik nəticələr birlikte dəyərlendirildiğinde MLP, genel mühərrik performansı və emissiya proqnozi üçün en dengeli model olaraq öne çıkmaktadır. Bununla belə bütün hədəflerde eyni algoritmayı kullanmak zorunlu deyil. NO_x üçün SVM, qurum və CO üçün MLP kimi hədəfe özgü model seçimi daha düzgün bir yanaşma ola bilər.

Mənbə və Metod Notu

Tədqiqatın tam orijinal adı: A dataset-agnostic machine learning framework for real-time optimization of 60% n-Pentanol/diesel combustion in compression ignition engines

Yazarlar və PDF’deki sıraları: Sunday B. Ogunjide; Wenjun Zhong; Ofasiləyo Abegunde; Tamilselvan Pachiannan; Oluropo F. Dairo; Sunday A. Salimon; Olubunmi F. Atilola; Zhixia He; Qian Wang.

Eş birinci yazar və ya ortaq töhfə: PDF’de belirtilmemiştir.

Sorumlu yazar: Wenjun Zhong.

Qurumsal əlaqəlar:

1. School of Energy and Power Engineering, Jiangsu University, Zhenjiang 212013, Çin.
2. Department of Electrical and Electronic Engineering, Redeemer’s University, Ede 232102, Nijerya.
3. Department of Computer Engineering, Redeemer’s University, Ede 232102, Nijerya.
4. Hangzhou International Innovation Institute, Beihang University, Hangzhou 311115, Çin.
5. Institute for Energy Research, Jiangsu University, Zhenjiang 212013, Çin.

Yazar-qurum eşleşmeleri: Sunday B. Ogunjide: Jiangsu University və Redeemer’s University; Wenjun Zhong: Jiangsu University; Ofasiləyo Abegunde: Redeemer’s University Department of Computer Engineering; Tamilselvan Pachiannan: Beihang University Hangzhou International Innovation Institute; Oluropo F. Dairo, Sunday A. Salimon və Olubunmi F. Atilola: Redeemer’s University; Zhixia He: Jiangsu University School of Energy and Power Engineering ilə Institute for Energy Research; Qian Wang: Jiangsu University.

DOI: 10.2139/ssrn.6945187

Dergi: Hüquqemli bir dergi adı və ya kabul biliksi bu PDF sürümünde belirtilmemiştir.

Yayın platformu: SSRN.

Özgün yayınevi: Hüquqemli dergi yayınevi biliksi təsdiqlənməmişdir. SSRN, Elsevier’in preprint platformudur; bu vəziyyət dergide yayımlanmış məqalə statüsü mənasına gəlmir.

Belge ilı: 2026. Kesin rəsmi SSRN gönderim günü PDF üzərindən düzgünlanamamıştır.

Hüquqemlik durumu: Bu tədqiqat bir preprinttir və hüquqem dəyərlendirmesinden gecmemiştir.

Mənbə türü: CFD ilə üretilmiş məlumatler üzərinde maşın öyrənməsi müqayisəsı, optimallaşdırma və web tabanlı qərar destek proqram təminatıı geliştiren preprint araşdırma məqaləsi.

Resmî SSRN əlaqəsı:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6945187

DOI əlaqəsı:https://doi.org/10.2139/ssrn.6945187

Bu Türkçe məqalə, yüklenen 32 səhifəlık PDF’nin metni, denklemleri, tabloları, model grafikleri, akış diyagramları və proqram təminatı arayüzü görselleri incelenerek hazırlanmıştır. PDF xariciında yeni bir mühərrik təcrübəi, emissiya sonucu, klinik və ya ticari uğur iddiası eklenmemiştir. Dış düzgünlama yalnız DOI, SSRN kaydı, platform və hüquqemlik durumunun bibliyografik kontrolü üçün istifadə edilmişdir.

Tədqiqatın əsas metodsel sərhədlərı; təhsil məlumatlerinin CFD’den üretilmesi, tek mühərrik-yanacaq-yük alanına odaklanılması, xarici məlumat seti düzgünlamasının bulunmaması, tək bir təhsil-test bölünmesi kullanılması, model belirsizliğinin hesabatlanmaması və gerçek mühərrik donanımında qapalı çevrimli kontrol gösterilmemesidir.

Mətnde “altı model” denmesine rağmen yalnız beş model sunulması, R² və RMSE denklemlerindeki dizgi əskiklikleri və nəticə bölməündeki %1-2 sapma ifadesinin qurum proqnoziyle tam örtüşmemesi, tədqiqatyı yorumlarken diqqəte alınması gereken sənəd daxilii tutarsızlıklardır.

Preprint xəbərdarlıqsı: Bu tədqiqat hüquqem dəyərlendirmesinden gecmemiş bir preprinttir; nəticələrı bu məhdudlık diqqəte alınarak okunmalıdır.