Bu çalışmada buji ateşlemeli bir motorun performansı ve egzoz emisyonları yapay sinir ağları (YSA) ile tahmin edilmiştir. YSA modeli Visual Basic dilinde yazılan bir programla çözülmüştür. Eğitim ve test için önerilen YSA, 4 silindirli 4 zamanlı bir test motorunda metan hidrojen karışımının farklı hidrojen yüzdeleri (0, 10, 20, ve 30), farklı hava fazlalık katsayıları (0.9, 1, 1.1, 1.2, 1.3 ve 1.4) ve farklı motor hızlarında (1500, 2000, 2500 ve 3000 dev/dak) çalıştırılmıştır. Standart geriye yayılım algoritması kullanılan YSA’ da üç katman bulunmaktadır. Giriş katmanında üç hücre (motor hızı, H2 ve hava fazlalık katsayısı) çıkış katmanında ise 8 hücre bulunmaktadır (HC, CO, CO2, ve O2emisyonları, tork, özgül yakıt tüketimi, güç ve egzoz sıcaklığı). YSA’nın performansı deneysel verilerle tahmin edilen verilerin karşılaştırılmasıyla belirlenmektedir. Gizli katmanında 28, 29, 30, 31 ve 32 hücresi olan yapıdaki YSA’larda eğitimde başarılı olunmuştur. Sonuçlara göre elde edilen korelasyon katsayıları CO, CO2, O2 ve HC emisyonları için sırasıyla 0.9880, 0.9728, 0.9930 ve 0.9623, tork, özgül yakıt tüketimi, güç ve egzoz sıcaklığı için sırasıyla 0.8650, 0.9840, 0.9252 ve 0.9605 olmuştur. Bütün sonuçlar YSA’nın buji ateşlemeli motorlar için performans ve emisyon tahmininde alternatif bir yöntem olabileceğini göstermiştir. YSA için en iyi sonuç 28 gizli hücresi olan yapıda elde edilmiştir

This study deals with artificial neural network (ANN) modeling of a spark ignition engine to predict the engine performances and exhaust emissions of the engine. The proposed ANN model was solved by a developed computer program which was written in the Visual Basic programming language. For training and testing of the proposed ANN, a four-cylinder, four-stroke test engine were used to be fuelled by methane hydrogen blended with various percentages of hydrogen (0, 10, 20, and 30%), at different excess air ratios (0.9, 1, 1.1, 1.2, 1.3 and 1.4) and operated at different engine speeds (1500, 2000, 2500 and 3000 rpm). An ANN model based on standard backpropagation algorithm for the engine was developed using some of the experimental data for training. The used ANN has three layer, three cells in the input layer (Speed, H2 and Excess air ratio) and 8 cells in the output layer (HC, CO, CO2, and O2 emissions, torque, specific fuel consumption, power and exhaust temperature). The performance of the ANN was validated by comparing the prediction dataset with the experimental results. In the hidden layer, 28, 29, 30, 31 and 32 cells were tested with artificial neural network structures. Results showed that the ANN provided the best accuracy in modeling of the emission indices with correlation coefficient equal to 0.9880, 0.9728, 0.9930 and 0.9623 for CO, CO2, O2 and HC and 0.8650, 0.9840, 0.9252 and 0.9605 for torque, brake power, specific fuel consumption and exhaust temperature, respectively. The overall results show that the networks can be used as an alternative way for predicting the performance and emission parameters of SI engine. The best result was obtained in the ANN with 28 hidden cells (R2 = 0.9860)