Ushbu tadqiqotda 60% n-pentanol va 40% dizel yoqilg‘isi aralashmasida ishlovchi siqilishdan alangalanish dvigatelining unumdorligi, yonish intensivligi va chiqindi gazlar emissiyasini uchta dvigatel boshqaruv o‘zgaruvchisi orqali bashorat qilish uchun ma’lumotlar to‘plamiga bog‘liq bo‘lmagan mashinaviy o‘rganish tizimi (freymvorki) ishlab chiqildi. Tadqiqotda tasdiqlangan uch o‘lchamli hisoblash gidrodinamikasi (CFD) modeli asosida olingan 431 ta ma’lumot namunasi qo‘llanildi; kirish (so‘rish) bosimi, kirish harorati va purkash bosimidan indikatorli termik foydali ish koeffitsiyenti (ITE), ekvivalent indikatorli solishtirma yoqilg‘i sarfi (EISFC), yonish jaranglash (taqillash) intensivligi (RI), NO_x, qurum, CO va CO₂ ko‘rsatkichlari bashorat qilindi. Ko‘p qatlamli perseptron (MLP) neyron tarmog‘i umumiy jihatdan eng muvaffaqiyatli model bo‘lgan bo‘lsa, yonish jaranglash intensivligi va NO_x uchun tayanch vektorlar mashinasi (SVM) ba’zi mezonlarda kichik ustunlik ko‘rsatdi. Shunday bo‘lsa-da, tadqiqot ilmiy taqrizdan o‘tmagan; o‘qitish ma’lumotlari yangi mustaqil dvigatel tajribalaridan emas, balki avval tasdiqlangan CFD modelidan olingan bo‘lib, tizimning boshqa mustaqil ma’lumotlar to‘plamlarida umumlashtirilishi to‘g‘ridan-to‘g‘ri isbotlanmagan.

Besh xil nazorat ostida o‘qitish modeli taqqoslandi: ko‘p qatlamli perseptron neyron tarmog‘i (multilayer perceptron, MLP), tasodifiy o‘rmon (random forest, RF), ekstremal gradient bustingi (XGBoost), tayanch vektorlar mashinasi (support vector machine, SVM) va k-eng yaqin qo‘shnilar (k-nearest neighbors, KNN). Ma’lumotlar namunalarining 80% qismi o‘qitish, 20% qismi esa test uchun ajratildi; ma’lumotlar sizib chiqishini (data leakage) kamaytirish maqsadida masshtablagich faqat o‘qitish ma’lumotlariga moslashtirildi.

MLP modeli indikatorli termik foydali ish koeffitsiyentida R² = 0,9491, ekvivalent indikatorli solishtirma yoqilg‘i sarfida R² = 0,9439, qurumda R² = 0,9513, CO bo‘yicha R² = 0,9612 va CO₂ bo‘yicha R² = 0,8983 qiymatlariga erishdi. Yonish jaranglash intensivligida SVM modelining R² qiymati 0,8959, MLP modeliniki esa 0,8953 bo‘ldi. NO_x uchun SVM R² = 0,8856 bilan MLP modelining 0,8791 qiymatidan biroz yuqoriroq natija ko‘rsatdi.

Tadqiqotda optimal deb taqdim etilgan kirish sharoitlari: 1,2 bar kirish bosimi, 353 K kirish harorati va 125 MPa purkash bosimidir. Ushbu nuqtada CFD simulyatsiyasi 47,68% indikatorli termik FIK, 170,83 g/kVt·soat ekvivalent indikatorli solishtirma yoqilg‘i sarfi, 4,8609 MVt/m² yonish jaranglash intensivligi, 0,29 g/kVt·soat NO_x, 0,0052 g/kVt·soat qurum, 16,48 g/kVt·soat CO va 279,38 g/kVt·soat CO₂ ko‘rsatkichlarini berdi. MLP bashoratlari FIK, yoqilg‘i sarfi, CO va CO₂ bo‘yicha simulyatsiyaga juda yaqin bo‘lgan bo‘lsa, NO_x va jaranglash intensivligidagi farqlar kattaroq bo‘ldi.

Ishlab chiqilgan Python/Django veb-interfeysi foydalanuvchilarga CSV yoki XLSX fayllarini yuklash, kirish va maqsadli ustunlarni tanlash, modellarni qayta o‘qitish, R², MAE va RMSE natijalarini ko‘rish hamda belgilangan dvigatel sharoitlari uchun oniy bashoratlarni shakllantirish imkonini beradi. Bu yerdagi «real vaqt» iborasi o‘qitilgan modelning tezkor bashorat qilishini anglatadi; tadqiqot dvigatel boshqaruv blokiga (ECU) ulangan yopiq konturli real vaqt dvigatel boshqaruvini ko‘rsatmaydi.

Tadqiqotning asosiy savoli nimadan iborat?

Tadqiqotning asosiy savoli shundan iboratki, 60% n-pentanol o‘z ichiga olgan yuqori ulushli n-pentanol/dizel aralashmasining past yuklamadagi dvigatel unumdorligi va chiqindilarini uzoq davom etadigan yangi tajribalarsiz yoki har bir ish nuqtasi uchun qayta bajariladigan CFD hisob-kitoblarisiz yetarli aniqlikda bashorat qilish mumkinmi?

Tadqiqot xususan quyidagi savollarga javob izlaydi:

• Kirish bosimi, kirish harorati va purkash bosimidan foydalanib yettita dvigatel chiqish parametrini bir vaqtning o‘zida bashorat qilish mumkinmi?
• Besh xil mashinaviy o‘rganish algoritmidan qaysi biri umumiy jihatdan eng yaxshi natijani beradi?
• O‘qitilgan model CFD o‘rniga tezroq ishlaydigan surrogat (vekil) model sifatida xizmat qila oladimi?
• Ma’lumotlar va maqsadli ustunlar qat’iy kodlanmagan holda, turli tadqiqotchilar o‘z ma’lumotlar to‘plamlarini yuklashi mumkin bo‘lgan moslashuvchan interfeys yaratish mumkinmi?
• Muayyan dvigatel sharoitlarida FIK, sarf, jaranglash va emissiyalar birgalikda maqbul darajada saqlanishi mumkinmi?

Tadqiqot nima uchun muhim?

Siqilishdan alangalanish dvigatelining kirish bosimi, kirish harorati, purkash bosimi, purkash vaqti, yuklamasi va yoqilg‘i tarkibi bir-biriga ta’sir ko‘rsatuvchi juda ko‘p sonli o‘zgaruvchilarni hosil qiladi. Har bir kombinatsiyani eksperimental o‘lchash dvigatelning barqaror rejimga kelishini, yoqilg‘i sarfi va bosim ko‘rsatkichlarini yozib olishni hamda chiqindi gaz namunasini tahlil qilishni talab etadi. Yuqori aniqlikdagi CFD simulyatsiyalari ham yonish kimyosi, purkashning parchalanishi va emissiya modellari tufayli katta hisoblash vaqtini talab qiladi.

Mashinaviy o‘rganish avval shakllantirilgan ma’lumotlar to‘plamidagi qonuniyatlarni o‘rganib, yangi kirish kombinatsiyasining ehtimoliy natijalarini ancha qisqa vaqt ichida hisoblab berishi mumkin. Ushbu yondashuv fizik dvigatel yoki CFD modeli o‘rnini to‘liq bosishdan ko‘ra, avval tasdiqlangan ma’lumotlar sohasi doirasida ishlovchi tezkor surrogat model yaratishga qaratilgan.

N-pentanol nima uchun o‘rganildi?

n-Pentanol — dizel bilan yaxshi aralashadigan kislorodli yuqori spirt hisoblanadi. Tadqiqotning kirish qismida n-pentanolning energiya zichligi etanol va butanol kabi quyi spirtlarga nisbatan dizel yoqilg‘isiga yaqinroq ekani, dizel bilan to‘liq aralashishi va saqlash vaqtida fazalarga ajralishga chidamliligi qayd etilgan.

Yoqilg‘ining o‘z molekulyar tuzilishida kislorod mavjudligi yoqilg‘iga boy zonalarda qurum hosil bo‘lishini kamaytiruvchi xususiyat sifatida baholanadi. Biroq n-pentanolning yuqori ulushlari yoqilg‘ining alangalanish xatti-harakatini, bug‘lanishini, silindr ichidagi bosim ortishini va yoqilg‘i sarfini ham o‘zgartirishi mumkin. Shu sababli bitta chiqish parametrini yaxshilash yetarli emas; FIK, sarf, yonish intensivligi va turli chiqindi gazlarni birgalikda baholash zarur.

Adabiyotda qanday bo‘shliq maqsad qilingan?

Maqolaning adabiyotlar tahliliga ko‘ra, pastroq n-pentanol ulushlari yoki boshqa bioyoqilg‘i aralashmalari bilan mashinaviy o‘rganish qo‘llanilgan bo‘lsa-da, 60% n-pentanol o‘z ichiga olgan P60D40 aralashmasining past yuklama sharoitida kirish bosimi, kirish harorati va purkash bosimini birgalikda o‘zgartirib kompleks modellashtirish cheklangan.

Tadqiqotchilar ikkita asosiy bo‘shliqni belgilab olishgan:

1. 60% n-pentanol aralashmasi uchun uchta boshqaruv o‘zgaruvchisi va yettita dvigatel chiqish parametrini birgalikda qamrab oluvchi keng past yuklama ma’lumotlar bazasining mavjud emasligi.
2. Modelni o‘qitish, taqqoslash, bashorat qilish va ma’lumotlarni eksport qilishni yagona muhitda taqdim etuvchi, bitta qat’iy ma’lumotlar to‘plamiga bog‘lanib qolmagan real vaqt qaror qabul qilish interfeysining yetishmasligi.

Maqolaning bir joyida «oltita mashinaviy o‘rganish modeli» iborasi ishlatilgan bo‘lsa-da, uslubiyot, jadvallar, grafiklar va dasturiy interfeys faqat beshta modelni tavsiflaydi. Oltinchi algoritmning nomi, giperparametr va natijalari berilmagan. Shu sababli tadqiqot amalda beshta modelni qiyoslagan deb hisoblanishi lozim.

CFD ma’lumotlar to‘plami qanday shakllantirilgan?

Mashinaviy o‘rganish modellarining o‘qitish ma’lumotlari to‘g‘ridan-to‘g‘ri yangi dvigatel sinovlaridan emas, CONVERGE v3.0 dasturi yordamida yaratilgan uch o‘lchamli CFD modelidan olingan. Model to‘rt silindrli, to‘rt taktli va elektron boshqaruvli dizel dvigatelini ifodalaydi.

Hisoblash xarajatlarini kamaytirish uchun yonish kamerasining 45 graduslik sektori modellashtirilgan. Asosiy katakcha o‘lchami 3 mm qilib belgilangan, forsunka soplosi atrofida 2-darajali moslashuvchan to‘r maydalashtirish qo‘llanilgan.

Mualliflar CFD modeli o‘zlarining oldingi ishlarida eksperimental ma’lumotlar bilan yaxshi moslik ko‘rsatganini ma’lum qilganlar. Biroq ushbu maqolada yangi eksperimental tasdiqlash grafigi yoki yangi xom dvigatel sinovi ma’lumotlari taqdim etilmagan, avvalgi tasdiqqa havola berilgan. Shu sababli mashinaviy o‘rganishning aniqligi asosiy CFD modelining aniqligiga bevosita bog‘liqdir.

Dvigatel qanday sharoitlarda ishlatilgan?

Ma’lumotlarni shakllantirish past yuklama sharoitida amalga oshirilgan:

• Dvigatel aylanishlar soni: 1 500 ayl/daq
• Indikatorli o‘rtacha samarali bosim (IMEP): taxminan 3,8 bar
• Umumiy yoqilg‘i energiyasi: har bir sikl uchun 400 J
• Chiqindi gazlar retsirkulyatsiyasi (EGR): 0%
• Kirish bosimi oralig‘i: 1,1–1,4 bar
• Kirish harorati oralig‘i: 343–353 K
• Purkash bosimi oralig‘i: 75–125 MPa

Har bir sikl uchun yoqilg‘i energiyasining 400 J miqdorida doimiy saqlanishi turli kirish sharoitlarini taxminan bir xil dvigatel yuklamasida taqqoslashni ta’minlashga qaratilgan. EGR ning 0% qilib olinishi esa kirish termodinamikasi ta’sirini chiqindi gazlar suyulishi bilan aralashtirib yubormaslik uchun tanlangan.

Kirish va maqsadli chiqish parametrlari qaysilar?

Yonish jaranglash intensivligi (Ringing Intensity, RI) silindr ichidagi bosimning juda tez ko‘tarilishi bilan bog‘liq akustik va mexanik yonish shiddatini ifodalaydi. Yuqori RI qiymati qattiqroq va potensial jihatdan xavfliroq yonish xatti-harakatidan dalolat beradi.

Qaysi ish nuqtalari ma’lumotlar to‘plamidan chiqarib tashlangan?

Mashinaviy o‘rganish ma’lumotlar to‘plamini shakllantirish jarayonida quyidagi chegaralardan oshgan ish nuqtalari chiqarib tashlangani qayd etilgan:

• EISFC > 240 g/kVt·soat
• NO_x > 0,4 g/kVt·soat
• Qurum > 0,01 g/kVt·soat
• RI > 8 MVt/m²

Ushbu filtrlash modellarning texnik jihatdan nomaqbul bo‘lgan ish nuqtalariga emas, avvaldan belgilangan amaliy zonaga yo‘naltirilishini ta’minlagan. Biroq buning muhim cheklovi mavjud: model filtrlangan chegaralardan tashqaridagi yuqori emissiyali yoki o‘ta shiddatli yonish sharoitlarini o‘rganmagan bo‘lishi mumkin. Binobarin, xavfsiz ish zonasidan tashqariga chiquvchi kirishlar uchun bashorat ishonchliligi ko‘rsatilmagan.

Interfeysning ma’lumotlar yozuvi oynasida 8 MVt/m² dan yoki 0,4 g/kVt·soat NO_x dan yuqori ayrim namunalar ko‘rinadi. Ushbu ekranning filtrlangan P60D40 o‘qitish to‘plamini yoki dasturning fayl yuklash funksiyasini namoyish etish uchun ishlatilgan boshqa namunaviy faylni ifodalashi ochiqlanmagan.

Mashinaviy o‘rganish–CFD ish jarayoni qanday tuzilgan?

Tadqiqotning 1-rasmida besh bosqichli ish jarayoni ko‘rsatilgan:

1. Kirish bosimi, kirish harorati va purkash bosimi chegaralarini belgilash.
2. Ushbu kirish kombinatsiyalarini CFD yordamida hisoblab, dvigatel chiqish parametrlarini hosil qilish.
3. CFD ma’lumotlar to‘plami asosida MLP, RF, XGBoost, SVM va KNN modellarini o‘qitish.
4. Bashoratlarni CFD natijalari bilan R², MAE va RMSE orqali solishtirish.
5. Tanlangan model va interfeys yordamida dvigatel unumdorligi hamda emissiyalarini tezkor bashorat qilish.

Chizmada dastlabki ish nuqtalarini yaratishda genetik algoritm iborasi uchraydi. Ammo genetik algoritmning populyatsiya o‘lchami, maqsad funksiyasi, krossingover, mutatsiya yoki to‘xtash mezonlari uslubiyot qismida yoritilmagan. Shu sababli genetik algoritm ma’lumot nuqtalarini aynan qanday tanlagani qayta takrorlanadigan darajada berilmagan.

Ko‘p qatlamli perseptron neyron tarmog‘i qanday ishlaydi?

MLP uchta dvigatel kirish parametrini o‘zaro bog‘langan yashirin qatlamlardan o‘tkazib, yettita chiqish parametrining nochiziqli bog‘liqliklarini o‘rganadi. Bitta neyronning chiqishi tadqiqotda quyidagicha keltirilgan:

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

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

Bu yerda x_j kirish o‘zgaruvchisini, w_j o‘rganilgan vaznni, b siljish (bias) hadini va φ to‘g‘rilangan chiziqli birlik (ReLU) aktivatsiya funksiyasini bildiradi. ReLU manfiy qiymatlarni nolga aylantiradi, musbat qiymatlarni esa saqlab qoladi.

Tadqiqotda har birida 100 tadan neyron bo‘lgan ikkita yashirin qatlam qo‘llanilgan. Modelga ko‘pi bilan 2 000 ta iteratsiyada ishlashga ruxsat berilgan va tasodifiylik urug‘i (random seed) 42 qilib belgilangan.

Tasodifiy o‘rmon (RF) modeli qanday bashorat qiladi?

Tasodifiy o‘rmon ayni bir ma’lumotlar to‘plamining turli namunalari va o‘zgaruvchilar quyi to‘plamlari asosida ko‘plab qaror daraxtlarini quradi. Regressiya bashorati daraxtlar chiqishlarining o‘rtachasi sifatida olinadi:

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

M jami qaror daraxtlari soni, T_m(x) esa m-daraxtning x kirishi uchun bergan bashoratidir. Tadqiqotda 100 ta daraxt ishlatilgan. Har bir barg uchun kamida bitta namuna, bo‘linish uchun kamida ikkita namuna va butstrep (bootstrap) tanlanmasi tanlangan.

XGBoost modeli qanday ishlaydi?

XGBoost qaror daraxtlarini bir-biridan mustaqil qurish o‘rniga ketma-ket qo‘shib boradi. Har bir yangi daraxt oldingi daraxtlarning xatolarini kamaytirishga intiladi. Maqsad funksiyasi quyidagicha berilgan:

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

l(y,\hat{y}) haqiqiy va bashorat qilingan qiymat orasidagi yo‘qotishni, Ω(f_k) esa k-daraxtning murakkabligini jarimaga tortuvchi regulyarizatsiya hadini ifodalaydi. Shu tariqa nafaqat o‘qitish xatosini kamaytiruvchi, balki ortiqcha murakkablashmaydigan model yaratish maqsad qilinadi.

Tadqiqotda kvadratik xatolik regressiya maqsadi, 0,3 o‘rganish tezligi va 100 ta daraxt qo‘llanilgan.

Tayanch vektorlar mashinasi (SVM) qanday qo‘llanilgan?

SVM kirishlar bilan maqsadli chiqishlar orasidagi munosabatni ma’lum bir xatolik chegarasi ichida taqribiy ifodalovchi regressiya sirtini shakllantiradi. Maqolada chiziqli yadro uchun quyidagi asosiy bog‘liqlik berilgan:

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

X_i va X_j kirish vektorlaridir. Biroq haqiqiy modelda chiziqli yadro o‘rniga radial asosli funksiya (RBF) yadrosi ishlatilgan. RBF yadrosi dvigatelning nochiziqli xatti-harakatlarini ifodalashga qodir.

SVM uchun C = 1, ε = 0,1 va gamma = «scale» holatida qoldirilgan.

K-eng yaqin qo‘shnilar (KNN) bashorati qanday bajarilgan?

KNN yangi dvigatel sharoitini o‘qitish ma’lumotlaridagi eng o‘xshash ish nuqtalari bilan solishtiradi va qo‘shni chiqishlarning vaznlangan o‘rtachasidan foydalanadi:

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

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

y_ij i-yangi namunaning j-eng yaqin qo‘shnisidagi kuzatilgan chiqish, w_ij esa o‘sha qo‘shniga berilgan vazndir. Tadqiqotda k = 5 tanlangan va barg o‘lchami 30 qilib belgilangan.

Modelni o‘qitish qanday amalga oshirildi?

Jami 431 ta ma’lumot namunasining 80% qismi o‘qitish va 20% qismi test uchun tasodifiy ajratilgan. Bu nisbat taxminan 345 ta o‘qitish va 86 ta test namunasiga to‘g‘ri keladi; PDF da aniq sonlar taqsimoti alohida ko‘rsatilmagan.

Kirish va maqsadli o‘zgaruvchilarning masshtablari bir-biridan keskin farq qiladi. Masalan, kirish bosimi 1,1–1,4 oralig‘ida, purkash bosimi 75–125 MPa oralig‘ida, qurum esa mingdan bir ulushlar darajasidadir. Masshtab farqi o‘rganishni buzib yubormasligi uchun barcha kirish va maqsadlar standartlashtirilgan.

Masshtablagichning faqat o‘qitish ma’lumotlariga moslanishi test ma’lumotlarining o‘rtacha yoki standart chetlanish axboroti o‘qitish bosqichiga sizib o‘tishining oldini olishga qaratilgan.

Giperparametrlar qanday tanlangan?

Maqolada giperparametrlar «sinchkovlik bilan sozlangan» deb aytilsa-da, keng qamrovli to‘rli qidiruv (grid search), tasodifiy qidiruv, Bayes optimizatsiyasi yoki kross-validatsiya natijalari keltirilmagan. Ko‘plab parametrlar standart qiymatda qoldirilgani bildirilgan. Shu sababli modellarni taqqoslash har bir algoritm erisha oladigan mutlaq eng yaxshi natijadan ko‘ra, tanlangan muayyan konfiguratsiyalarning solishtirilishidir.

R², MAE va RMSE nimani o‘lchaydi?

Model unumdorligi uchta mezon orqali baholangan.

Determinatsiya koeffitsiyenti

PDF hujjatida 6-tenglama quyidagi shaklda terilgan:

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

Matbaa eslatmasi: Bosilgan tenglamada ayirmalarning kvadratlari ko‘rinmaydi. Bu shakl matnda tushuntirilgan standart R² ta’rifiga mos kelmaydi. Tadqiqot mantiqini tushuntirish uchun standart formula quyidagicha qabul qilinadi:

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

y_k haqiqiy qiymat, ŷ_k model bashorati, ȳ haqiqiy qiymatlarning o‘rtachasi va N namunalar sonidir. R² ning 1 ga yaqinlashishi model ma’lumotlar dispersiyasining katta qismini tushuntirib bera olishini ko‘rsatadi.

O‘rtacha mutlaq xatolik

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

MAE barcha bashorat xatolarining mutlaq kattaligini o‘rtachalashtiradi. Maqsadli o‘zgaruvchi qaysi birlikda bo‘lsa, MAE ham xuddi shu birlikda bo‘ladi.

O‘rtacha kvadratik xatolik ildizi

PDF hujjatida 8-tenglama quyidagicha ko‘rinadi:

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

Matbaa eslatmasi: Tenglamada namunalar bo‘yicha yig‘indi belgisi tushib qolgan. Matndagi RMSE ta’rifini ifodalash uchun standart shakl quyidagichadir:

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

Xatolar kvadratga ko‘tarilgani sababli RMSE katta xatoliklarni MAE ga qaraganda kuchliroq jazolaydi.

Qaysi model eng muvaffaqiyatli bo‘ldi?

MLP yettita maqsaddan beshtasida eng yuqori R² qiymatini berdi. SVM esa yonish jaranglash intensivligi va NO_x bo‘yicha ayrim mezonlarda kichik ustunlikka erishdi.

RI uchun SVM ning R² va RMSE qiymatlari MLP dan biroz yaxshiroq; biroq MLP ning MAE qiymati 0,7106 bilan SVM ning 0,7376 qiymatidan pastroqdir. Shu sababli RI uchun qaysi model «eng yaxshi» ekani tanlangan mezonga bog‘liq.

NO_x uchun SVM uchala mezonda ham MLP dan yaxshiroq natija ko‘rsatdi: R² qiymati 0,8791 ga qarshi 0,8856, MAE qiymati 0,0398 ga qarshi 0,0374 va RMSE qiymati 0,0621 ga qarshi 0,0604.

Boshqa modellar qanday natija ko‘rsatdi?

Tasodifiy o‘rmon (RF) FIK va yoqilg‘i sarfida kuchli natijalar berdi, ammo NO_x bashoratida R² = 0,8032 bilan MLP va SVM dan ortda qoldi. XGBoost qurum va CO uchun kuchli bo‘lsa-da, MLP dan o‘za olmadi. KNN ning FIK va yoqilg‘i sarfi bo‘yicha R² ko‘rsatkichlari taxminan 0,89 darajasida qolib, tadqiqotchilar uning umumiy bashorat qobiliyatini boshqa modellarga nisbatan cheklangan deb baholadilar.

Bashorat-haqiqat grafiklarida qanday tendensiyalar ko‘rinadi?

MLP uchun chizilgan yettita bashorat-haqiqat grafigida ideal bashorat nuqtalarning 45 graduslik to‘g‘ri chiziq ustida to‘planishi bilan ifodalanadi. Indikatorli termik FIK, yoqilg‘i sarfi, qurum va CO nuqtalari ushbu chiziq atrofida ancha zich to‘plangan.

Yonish jaranglash intensivligi va NO_x grafiklarida ayniqsa yuqori haqiqiy qiymatlarda sochilish kuchayadi. Ushbu vizual tendensiya ushbu ikki o‘zgaruvchining pastroq R² va yuqoriroq nisbiy xatoliklarga egaligi bilan to‘liq mos keladi.

CO₂ grafigida umumiy chiziqli yo‘nalish saqlangan bo‘lsa-da, ayrim past qiymatli namunalar bashorat to‘g‘ri chizig‘idan ko‘proq uzoqlashgan. Grafikdagi qizil soyali tasmalarning statistik jihatdan ishonchlilik oralig‘imi, bashorat oralig‘imi yoki shunchaki regressiya vizualizatsiyasimi ekanligi matnda ochiqlanmagan.

Veb-interfeys qanday ishlaydi?

Tadqiqotda Python va Django yordamida vebga asoslangan grafik foydalanuvchi interfeysi ishlab chiqilgan. Tizim arxitekturasi quyidagi operatsion ketma-ketlikni o‘z ichiga oladi:

1. Foydalanuvchi autentifikatsiyasi.
2. Administrator huquqi bo‘lsa, foydalanuvchi hisobini yaratish, yangilash yoki ko‘rish.
3. CSV yoki XLSX ma’lumotlar to‘plamini yuklash, ko‘rish yoki o‘chirish.
4. Kirish xususiyatlari va maqsadli ustunlarni dinamik tarzda o‘qish.
5. O‘qitish-test nisbatini foydalanuvchi tomonidan tanlash.
6. Besh xil mashinaviy o‘rganish modelini qayta o‘qitish.
7. R², MAE va RMSE natijalarini hisoblash.
8. Bashorat-haqiqat grafiklarini yuklash.
9. Muayyan kirishlar uchun oniy bashorat hosil qilish.
10. Natijalarni CSV fayl ko‘rinishida eksport qilish.

Yuklash tizimi .csv va .xlsx formatlarini qabul qiladi va fayl hajmini 10 MB bilan cheklaydi. Foydalanuvchi yuklangan ma’lumotlar to‘plamini jadval ko‘rinishida ko‘rib chiqishi, modellar xatoliklarini kuzatishi va natija grafiklarini yuklab olishi mumkin.

«Ma’lumotlar to‘plamidan mustaqil» degani nimani anglatadi?

Tizimning ma’lumotlar to‘plamidan mustaqil (dataset-agnostic) bo‘lishi dasturiy ta’minotning faqat P60D40 ma’lumotlar ustunlariga qat’iy bog‘lab qo‘yilmaganini bildiradi. Foydalanuvchi yangi fayl yuklaganida tizim ustunlarni dinamik ravishda o‘qiy oladi, kirish va maqsadli maydonlarni tanlash hamda modellarni qayta o‘qitish imkonini beradi.

Biroq maqolaning bashorat aniqligi faqat 431 ta namunadan iborat bitta P60D40 to‘plamida o‘lchangan. Turli dvigatel, yoqilg‘i, yuklama, datchik yoki tashkilotlarga tegishli mustaqil ma’lumotlar to‘plamlari bilan qiyosiy umumlashtirish tajribasi o‘tkazilmagan. Shu sababli «ma’lumotlar to‘plamidan mustaqillik» tasdiqlangan universal model aniqligidan ko‘ra, dasturiy arxitekturaning moslashuvchanligini ifodalaydi.

Xavfsizlik va foydalanuvchi vakolatlari qanday tashkil etilgan?

Tizim tasdiqlangan foydalanuvchilarning tizimga kirishini talab qiluvchi autentifikatsiya mexanizmiga ega. Faqat administratorlar foydalanuvchi hisoblarini boshqara oladi. Tizimga kirgan tadqiqotchilar tahlil paneliga yo‘naltiriladi va ma’lumotlar to‘plami amallarini bajaradi.

Shu bilan birga, maqolada parollarni saqlash usuli, shifrlash, kirish jurnallari, zaiflik testlari, rollarga asoslangan ruxsatlar matritsasi yoki ma’lumotlar maxfiyligi auditi bo‘yicha texnik xavfsizlik testlari berilmagan. «Xavfsiz» tavsifi interfeysda autentifikatsiya va administrator boshqaruvi mavjudligiga tayanadi.

Eng maqbul (optimal) ish nuqtasi qanday aniqlangan?

Model optimallashtirish interfeysida optimal deb taqdim etilgan dvigatel kirish parametrlari quyidagilardir:

• Kirish bosimi: 1,2 bar
• Kirish harorati: 353 K
• Purkash bosimi: 125 MPa

Ushbu sharoitda CFD simulyatsiyasi va beshta modelning bashoratlari quyidagi jadvalda keltirilgan:

MLP ushbu ish nuqtasida CFD ga qanchalik yaqinlashgan?

Ushbu qiyoslash MLP ning ITE, EISFC, CO va CO₂ bo‘yicha CFD ga juda yaqin bashorat berganini ko‘rsatadi. Qurum qiymatidagi mutlaq farq o‘ta kichik bo‘lsa-da, bazaviy qiymat ham kichik bo‘lgani uchun nisbiy farq taxminan 3,85% ni tashkil etadi.

RI qiymati taxminan 8,67% ga yuqori bashorat qilingan, NO_x esa taxminan 20,38% ga past baholangan. Shu sababli model «barcha chiqishlarda 1-2% og‘ish bilan» ishlaydi deb qat’iy aytib bo‘lmaydi.

Xulosa qismida ITE, EISFC, qurum, CO va CO₂ bashoratlari 1-2% og‘ish bilan mos tushgani aytiladi. 5-jadvalga ko‘ra ITE, EISFC va CO₂ farqlari 1% dan ancha past, CO taxminan 1,10%, ammo qurumning nisbiy farqi taxminan 3,85% dir. Shu sababli matndagi umumlashtirish bilan jadvaldagi qurum qiymati orasida kichik nomuvofiqlik mavjud.

Radar grafik nimani ko‘rsatadi?

Model unumdorligining ayni ish sharoitidagi radar grafigida simulyatsiya, MLP, RF, SVM, XGBoost va KNN bitta yettita o‘qda taqqoslangan. MLP egri chizig‘i ITE, EISFC, qurum, CO va CO₂ o‘qlarida simulyatsiya shakliga juda yaqin ko‘rinadi.

NO_x va RI o‘qlarida modellar orasidagi tafovut yaqqolroqdir. Biroq radar grafigidagi har bir o‘q turli birlik va masshtabdan foydalangani sababli ko‘pburchak maydoni yakka o‘zi umumiy muvaffaqiyat mezoni sifatida talqin qilinmasligi kerak. Raqamli jadval va alohida xatolik ko‘rsatkichlari ishonchliroq taqqoslashni ta’minlaydi.

Oldingi tadqiqot natijalari bilan mavjud model orasidagi farq

Annotatsiyada 47,68% ITE, 98,76% NO_x kamayishi va Euro VI standartiga muvofiqlik iboralari keltirilgan. Biroq ushbu maqolada 98,76% NO_x kamayishini qayta hisoblab beruvchi bazaviy dizel taqqoslash jadvali taqdim etilmagan. Ushbu qiymatlar mualliflarning oldingi P60D40 optimallashtirish tadqiqoti natijalari sifatida havola qilingan.

Mavjud ishning bevosita hissasi avval yaratilgan CFD ma’lumotlar bazasini mashinaviy o‘rganish modellariga o‘tkazish va veb-interfeysda tezkor bashoratlarni shakllantirishdan iborat. Shu sababli oldingi tadqiqotning emissiya kamayishi ushbu mashinaviy o‘rganish modelining mustaqil eksperimental yutug‘i sifatida ko‘rsatilmasligi lozim.

Bundan tashqari, ma’lumotlar to‘plami shakllantirilayotganda Euro VI yoki amaliy chegaralardan oshgan ish nuqtalarining chiqarib tashlanishi qolgan bashorat maydonining talablarga mos sharoitlardan iborat bo‘lishini ta’minlagan. Ushbu usul dvigatelning har qanday sharoitda Euro VI talablariga javob berishini yakka o‘zi isbotlamaydi.

Tadqiqotning kuchli tomonlari

• Uchta nazorat o‘zgaruvchisidan yettita dvigatel chiqish parametrini bitta tizimda bashorat qiladi.
• Neyron tarmog‘i, daraxtsimon, yadroli va qo‘shnichilikka asoslangan besh xil algoritmni o‘zaro solishtiradi.
• Ma’lumotlar sizib chiqishini kamaytirish uchun masshtablagich faqat o‘qitish ma’lumotlariga moslashtirilgani ko‘rsatilgan.
• Model natijalari nafaqat R², balki MAE va RMSE mezonlari bilan ham baholangan.
• CFD va model bashoratlari ayni bir ish nuqtasida to‘g‘ridan-to‘g‘ri taqqoslangan.
• Ma’lumotlarni yuklash, modelni o‘qitish, grafiklarni ko‘rish va CSV eksporti funksiyalari yagona veb-interfeysda birlashtirilgan.
• Dastur kirish va maqsadli ustunlarni dinamik o‘qiy oladigan tarzda loyihalangan.
• Tadqiqot MLP ning umumiy ustunligi bilan birga SVM ning RI va NO_x uchun yaxshiroq bo‘lgan holatlarini ham ochiq bayon etgan.

Tadqiqotning cheklovlari

• Tadqiqot ilmiy taqrizdan o‘tmagan preprint hisoblanadi.
• Mashinaviy o‘rganish ma’lumotlari yangi mustaqil dvigatel tajribalaridan emas, CFD simulyatsiyalaridan olingan.
• CFD tasdiqlanishining batafsil tafsilotlari ushbu maqolada qayta ko‘rsatilmagan, oldingi ishga havola qilingan.
• Ma’lumotlar to‘plami bor-yo‘g‘i 431 ta namunani o‘z ichiga oladi.
• Tadqiqot faqat 1 500 ayl/daq, taxminan 3,8 bar IMEP va past yuklama rejimini qamrab olgan.
• EGR faqat 0% holatida o‘rganilgan; boshqa EGR darajalari o‘qitilmagan.
• Yoqilg‘i tarkibi doimiy P60D40 qilib olingan; model boshqa n-pentanol nisbatlarida tekshirilmagan.
• Uchta kirish o‘zgaruvchisidan tashqari purkash vaqti, purkashlar soni, yuklama va aylanishlar soni model kirishiga kiritilmagan.
• Ma’lumotlar maydonidan tashqaridagi kirish kombinatsiyalarida bashorat ishonchliligi baholanmagan.
• Nomaqbul ish nuqtalarining o‘qitishdan chiqarilishi modelning chegara tashqarisidagi sharoitlarni aniqlash qobiliyatini pasaytirishi mumkin.
• Faqat bitta tasodifiy 80%-20% taqsimot qo‘llanilgan; k-qavatli kross-validatsiya yoki ko‘p karrali tasodifiy bo‘linish natijalari berilmagan.
• Giperparametrlarni qidirish ko‘lami batafsil yoritilmagan.
• Model noaniqligi, bashorat oralig‘i yoki ishonchlilik chegarasi miqdoriy tarzda berilmagan.
• Boshqa ilmiy guruhlarning tashqi ma’lumotlar to‘plamlari bilan ma’lumotlardan mustaqil ishlash sifati tekshirilmagan.
• Haqiqiy dvigatel boshqaruv bloki, datchiklar oqimi, uskunaviy kontur (HIL) yoki yopiq zanjirli boshqaruv tajribasi o‘tkazilmagan.
• NO_x va RI bashoratlari optimal nuqtada boshqa chiqishlarga qaraganda yuqoriroq nisbiy farq ko‘rsatgan.
• R² va RMSE tenglamalarining bosma shaklida matematik matbaa xatoliklari mavjud.
• Matnda bir o‘rinda oltita model deb qayd etilgan bo‘lsa-da, amalda faqat beshta model taqdim etilgan.

Tadqiqot nimani tasdiqlaydi?

• Tanlangan P60D40 CFD ma’lumotlar maydonida beshta mashinaviy o‘rganish modeli yettita dvigatel chiqishini amaliy aniqlikda bashorat qila oladi.
• MLP aksariyat maqsadlarda eng yuqori R² va past xatoliklar bilan umumiy eng kuchli model bo‘ldi.
• SVM modeli NO_x bashoratida MLP dan yaxshiroq natija ko‘rsatdi.
• 1,2 bar, 353 K va 125 MPa sharoitida MLP modeli ITE, EISFC, CO va CO₂ bo‘yicha CFD ga juda yaqin bashorat berdi.
• Mashinaviy o‘rganish modeli o‘qitilgach, yangi CFD hisob-kitoblariga qaraganda ancha tez bashorat shakllantira oladi.
• Python/Django interfeysi ma’lumot yuklash, qayta o‘qitish, modellarni solishtirish va natijalarni eksport qilish amallarini birlashtirdi.

Tadqiqot nimani isbotlamaydi?

• Model barcha siqilishdan alangalanish dvigatellarida amal qilishi ko‘rsatilmagan.
• Tizim barcha yoqilg‘i aralashmalarida ayni aniqlikni saqlab qolishi isbotlanmagan.
• Real vaqt dvigatel boshqaruv blokida yopiq zanjirli optimallashtirish amalga oshirilmagan.
• Mashinaviy o‘rganish modeli fizik tajriba yoki CFD ga bo‘lgan ehtiyojni butunlay yo‘qqa chiqarmaydi.
• Modelning o‘qitish oralig‘idan tashqaridagi ish nuqtalarida xavfsiz bashorat berishi ko‘rsatilmagan.
• 60% n-pentanol barcha yuklama va tezliklarda dizeldan samaraliroq yoki tozarroq ekani isbotlanmagan.
• Ushbu tadqiqotning o‘zi 98,76% NO_x kamayishini mustaqil ravishda qayta tasdiqlamagan.
• Filtrlangan ma’lumotlar to‘plami dvigatelning har qanday ish sharoitida Euro VI talablariga javob berishini bildirmaydi.
• Veb-interfeysdagi foydalanuvchi tizimga kirishi keng qamrovli kiberxavfsizlik tasdig‘ini anglatmaydi.

Kelajakdagi ehtimoliy ta’siri

Bunday surrogat modellar muqobil yoqilg‘ilarni ishlab chiqish jarayonida minglab ehtimoliy ish nuqtalarini dastlab tezkor ko‘rikdan o‘tkazish imkonini beradi. Eng istiqbolli sohalar keyinchalik yuqori aniqlikdagi CFD yoki dvigatel sinovlari orqali tasdiqlanishi mumkin. Natijada qimmatbaho tajribalarni butun loyihalash maydoniga teng yoyish o‘rniga, aniq maqsadli yo‘naltirish mumkin bo‘ladi.

Tadqiqotning kelgusi rejasiga ma’lumotlar to‘plamini yuqori yuklama sharoitlarini qamrab oladigan tarzda kengaytirish va interfeysga avtomatik optimallashtirish algoritmlarini qo‘shish kiradi. Bundan tashqari, turli aylanishlar soni, EGR darajalari, purkash vaqti, ko‘p bosqichli purkash strategiyalari va boshqa n-pentanol ulushlari modelga kiritilsa, yanada mukammal kalibrlash vositasi yaratilishi mumkin.

Amaliyotga tatbiq etish uchun modelni mustaqil dvigatel sinovlari, boshqa ilmiy muassasalar ma’lumotlar to‘plamlari, noaniqliklar tahlili va dvigatel boshqaruv apparaturasi bilan onlayn sinovdan o‘tkazish talab etiladi.

Tadqiqot usuli va natijalari

Texnik uslubiyot xulosasi

Asosiy natijalar xulosasi

Texnik natijalar birgalikda baholanganda, MLP dvigatelning umumiy unumdorligi va emissiyalarini bashorat qilish bo‘yicha eng muvozanatli model sifatida ajralib turadi. Shunga qaramay, barcha maqsadlar uchun yagona algoritmdan foydalanish majburiy emas. NO_x uchun SVM, qurum va CO uchun MLP kabi maqsadga mos model tanlash ancha to‘g‘ri yondashuv bo‘lishi mumkin.

Manba va metodologiya eslatmasi

Tadqiqotning to‘liq asl nomi: A dataset-agnostic machine learning framework for real-time optimization of 60% n-Pentanol/diesel combustion in compression ignition engines

Mualliflar va ularning PDF hujjatidagi tartibi: Sunday B. Ogunjide; Wenjun Zhong; Omolayo Abegunde; Tamilselvan Pachiannan; Oluropo F. Dairo; Sunday A. Salimon; Olubunmi F. Atilola; Zhixia He; Qian Wang.

Teng birinchi muallif yoki teng hissa: PDF hujjatida ko‘rsatilmagan.

Mas’ul muallif: Wenjun Zhong.

Muassasaviy aloqalar:

1. Energetika va quvvat muhandisligi maktabi, Jiangsu universiteti, Chjenjiang 212013, Xitoy.
2. Elektr va elektronika muhandisligi kafedrasi, Redeemer universiteti, Ede 232102, Nigeriya.
3. Kompyuter muhandisligi kafedrasi, Redeemer universiteti, Ede 232102, Nigeriya.
4. Xanchjou xalqaro innovatsiya instituti, Beyxan universiteti, Xanchjou 311115, Xitoy.
5. Energetik tadqiqotlar instituti, Jiangsu universiteti, Chjenjiang 212013, Xitoy.

Mualliflar va muassasalar mosligi: Sunday B. Ogunjide: Jiangsu universiteti va Redeemer universiteti; Wenjun Zhong: Jiangsu universiteti; Omolayo Abegunde: Redeemer universiteti Kompyuter muhandisligi kafedrasi; Tamilselvan Pachiannan: Beyxan universiteti Xanchjou xalqaro innovatsiya instituti; Oluropo F. Dairo, Sunday A. Salimon va Olubunmi F. Atilola: Redeemer universiteti; Zhixia He: Jiangsu universiteti Energetika va quvvat muhandisligi maktabi hamda Energetik tadqiqotlar instituti; Qian Wang: Jiangsu universiteti.

DOI: 10.2139/ssrn.6945187

Jurnal: Taqrizli jurnal nomi yoki qabul qilinganlik ma’lumoti ushbu PDF versiyasida ko‘rsatilmagan.

Nashr platformasi: SSRN.

Asl nashriyot: Taqrizli jurnal nashriyoti tasdiqlanmagan. SSRN — Elsevier kompaniyasining preprint platformasi bo‘lib, bu jurnalda chop etilgan maqola maqomini bildirmaydi.

Hujjat yili: 2026. SSRN ga rasmiy yuborilgan aniq kun PDF dan tasdiqlanmagan.

Taqriz holati: Ushbu tadqiqot preprint hisoblanadi va ilmiy taqrizdan o‘tmagan.

Manba turi: CFD yordamida olingan ma’lumotlar asosida mashinaviy o‘rganish modellarini taqqoslash, optimallashtirish va vebga asoslangan qaror qabul qilish dasturini yaratishni o‘z ichiga olgan preprint tadqiqot maqolasi.

Rasmiy SSRN havolasi:https://papers.ssrn.com/sol3/papers.cfm?abstract_id=6945187

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

Ushbu ilmiy sharh yuklangan 32 sahifalik PDF hujjatining matni, formulalari, jadvallari, model grafikalari, blok-sxemalari va dasturiy interfeys tasvirlari o‘rganilib tayyorlandi. PDF dan tashqari yangi dvigatel tajribasi, emissiya natijasi yoki tijoriy muvaffaqiyat da’vosi qo‘shilmadi. Tashqi tekshiruv faqat DOI, SSRN yozuvi, platforma va taqriz holatini bibliografik nazorat qilish uchungina qo‘llanildi.

Tadqiqotning asosiy metodologik cheklovlari: o‘qitish ma’lumotlarining CFD dan olinishi, bitta dvigatel-yoqilg‘i-yuklama maydoniga yo‘naltirilishi, tashqi ma’lumotlar to‘plamida tasdiqlanmaganligi, yagona o‘qitish-test bo‘linishidan foydalanilganligi, model noaniqligining hisobotda berilmaganligi va haqiqiy dvigatel apparaturasida yopiq zanjirli boshqaruv ko‘rsatilmaganligidir.

Matnda «oltita model» deyilganiga qaramay amalda beshta model berilgani, R² va RMSE formulalaridagi bosma kamchiliklar hamda xulosa qismidagi 1-2% og‘ish iborasining qurum bashorati bilan to‘liq mos kelmasligi tadqiqotni talqin qilishda inobatga olinishi lozim bo‘lgan ichki tafovutlardir.

Preprint ogohlantirishi: Ushbu tadqiqot taqrizdan o‘tmagan preprintdir; natijalar ushbu cheklovni hisobga olgan holda o‘qilishi lozim.