基于GT-POWER构建发动机模型并完成验证,采用空间填充实验设计中的Sobol序列抽样方法,选取100组试验工况点进行仿真试验数据的采集。以此为基础,建立了以转速、主喷时刻、预喷时刻、预喷油量、轨压五种控制参数为输入量,以燃油消耗率(Br...基于GT-POWER构建发动机模型并完成验证,采用空间填充实验设计中的Sobol序列抽样方法,选取100组试验工况点进行仿真试验数据的采集。以此为基础,建立了以转速、主喷时刻、预喷时刻、预喷油量、轨压五种控制参数为输入量,以燃油消耗率(Brake Specific Fuel Consumption,BSFC)、氮氧化合物(NOx)、碳烟(Soot)为输出响应量的BP神经网络预测模型。通过训练样本确定了隐含层神经元数量,选用合适的激活函数,最终确定网络结构。随后利用测试样本对模型进行预测,并采用决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)对模型进行评价。结果表明,各输出响应量的预测误差均在10%以内,验证了该BP神经网络模型对GT-POWER发动机性能具有较高的预测精度。展开更多
文摘基于GT-POWER构建发动机模型并完成验证,采用空间填充实验设计中的Sobol序列抽样方法,选取100组试验工况点进行仿真试验数据的采集。以此为基础,建立了以转速、主喷时刻、预喷时刻、预喷油量、轨压五种控制参数为输入量,以燃油消耗率(Brake Specific Fuel Consumption,BSFC)、氮氧化合物(NOx)、碳烟(Soot)为输出响应量的BP神经网络预测模型。通过训练样本确定了隐含层神经元数量,选用合适的激活函数,最终确定网络结构。随后利用测试样本对模型进行预测,并采用决定系数(R2)、平均绝对误差(MAE)、均方根误差(RMSE)对模型进行评价。结果表明,各输出响应量的预测误差均在10%以内,验证了该BP神经网络模型对GT-POWER发动机性能具有较高的预测精度。
