Moottoripolttoaineiden ominaisuuksien mallintaminen

Työn tavoitteena on selvittää voidaanko neuroverkkoa käyttää mallintamaan ja ennustamaan polttoaineen vaikutusta nykyaikaisen auton päästöihin. Näin pystyttäisiin vähentämään aikaa vievien ja kalliiden koeajojen tarvetta. Työ tehtiin Lappeenrannan teknillisen yliopiston ja Fortum Oy:n yhteistyöprojektissa. Työssä tehtiin kolme erilaista mallia. Ensimmäisenä tehtiin autokohtainen malli, jolla pyrittiin ennustamaan autokohtaista käyttäytymistä. Toiseksi kokeiltiin mallia, jossa automalli oli yhtenä syötteenä. Kolmantena yritettiin kiertää eräitä aineiston ongelmia käyttämällä "sumeutettuja" polttoaineiden koostumuksia. Työssä käytettiin MLP-neuroverkkoa, joka opetettiin backpropagation algoritmilla. Työssä havaittiin ettei käytettävissä olleella aineistolla ja käytetyillä malleilla pystytä riittävällä tarkkuudella mallintamaan polttoaineen vaikutusta päästöihin. Aineiston ongelmia olivat mm. suuret mittausvarianssit, aineiston pieni määrä sekä aineiston soveltumattomuus neuroverkolla mallintamiseen.

This report considers the possibility of whetever it is possible to predict formation of emissions of an internal combustion engine with neural network. If this is possible, a predicting model could be used instead of expensive and time consuming test-drives The work in this research project was organized by Lappeenranta University of Technology and Fortum Ltd. Fortum Ltd. delivered the used data. There were three models used for predicting emissions. The first one was a car specific model. The second model included all cars as inputs. The data that was used had some problems that were attempted to be resolved through using the "fuzzied" model. All of the models were made with the Multi Layer Perceptron (MLP) neural network, and were trained with the backpropagation-algonthm. It was found that it is not possible to create a fair model fairly with used models and data on hand. The biggest problems were (a) the large variances in the data, (b) the lack of data, and (c) that the data used was originally collected for previous studies conducted over a period of several years, rendering it unsuitable for my research.