Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Logistyka

1 2014

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: flow rate from nozzle

Sortuj według:

Ogranicz wyniki do:

Zastosowanie sztucznej sieci neuronowej do wyznaczania przebiegu natężenia wypływu paliwa z rozpylacza

Augustynek K., Knefel T.

Logistyka

2014

nr 3

131--140

W artykule przedstawiono obliczeniowo-empiryczną metodykę wyznaczania przebiegów zmian natężenia wypływu paliwa z rozpylacza, przeznaczoną dla układów zasilania silników o zapłonie samoczynnym. W oparciu o uzyskane wyniki pomiarów stanowiskowych, przy wykorzystaniu sztucznych sieci neuronowych, przeprowadzono obliczenia przebiegów wtrysku dla obszarów leżących poza zakresami pomiarowymi. Wykorzystano dwie sieci złożone z dwóch warstw ukrytych, o różnej liczbie neuronów w warstwach. Przedstawiono wyniki obliczeń weryfikacyjnych potwierdzających, że prawidłowo dobrano typ funkcji aktywacji, współczynnik uczenia czy liczbę warstw sieci. Uzyskano bardzo dobrą zgodność obliczonych i aproksymowanych przebiegów wtrysku. Podano przykłady charakterystyk wtrysku obliczonych dla różnych konfiguracji zadawanych parametrów. Stwierdzono, że analizowane wielkości lepiej zostają odwzorowane przez sieć o większej liczbie neuronów w drugiej warstwie.

In the paper is presented numerically-empirical methodology for determining courses of fuel flow rate from nozzle. This methodology is intended for Diesel engines. Based on the results of measurements, artificial neural networks is used for calculation courses of injection for areas outside the measuring ranges. Neural networks with two hidden layers with various number of neurons in each layer are applied. The paper presents the results of calculations which confirm that the type of the activation function, learning rate and number of layers of the network are correctly chosen. It has been obtained very good agreement calculated and predicted courses of injection. The examples of the injection characteristics for different configurations parameters are presented. It has been concluded that a neural network with a larger number of neurons in the second hidden layer better approximates analyzed courses.