本文主要讨论的是稀燃汽油机中LNT（Lean NOx Trap）催化剂的神经网络模型的建立及其应用。稀燃汽油机是一种采用非常稀薄混合气燃烧的技术，可以显著降低氮氧化物（NOx）排放。LNT催化剂是用来捕获和储存这些排放物，以减少环境污染。在这个研究中，作者利用人工神经网络（Artificial Neural Network, ANN）来预测稀燃汽油机的NOx排放量、比油耗以及NOx转化效率。
研究者通过一台改装的CA3GA2三缸12气门电控稀燃汽油机的台架试验获取训练和测试样本。这些数据是模型训练的基础，确保了模型的准确性和适用性。选择标准误差反向传播（Back Propagation, BP）神经网络作为模型，这是一种常见的用于预测和分类问题的机器学习算法。BP神经网络通过不断调整权重和偏置，以最小化预测结果与实际值之间的误差。
经过训练后，模型的表现通过测试样本进行评估。评估指标包括绝对分数方差（Absolute Fraction of Variance, R）、均方根误差（Root Mean Squared Error, RMSE）和平均相对误差（Mean Relative Error, MRE）。结果显示，R值接近1，表明模型能够很好地捕捉到数据集中的变化趋势；而RMSE和MRE在可接受范围内，意味着模型的预测精度较高。
此外，该研究还展示了神经网络的泛化能力如何用于稀燃汽油机的优化和控制。以确定最佳稀燃时间为例，神经网络能够根据输入参数预测发动机的性能，并据此进行优化决策，从而提高燃油效率，减少排放。
关键词涉及到人工神经网络、稀燃汽油机、LNT催化剂和催化转化效率，表明研究的核心在于运用神经网络技术解决实际工程问题，特别是在环保和能源效率方面。中图分类号和文献标志码则分别指明了研究属于工程技术领域中的内燃机燃烧学，文章具有较高的学术价值。
总结来说，这篇研究通过建立和应用神经网络模型，为稀燃汽油机的LNT系统提供了预测和优化工具，有助于实现更清洁、更高效的发动机设计和控制策略。
VIP享7折，此内容立减4.47元 
