Vehicle Fuel Emission Efficiency Estimation Using Multi-Linear Regression in Machine Learning

Yunus EĞİ

doi:https://doi.org/10.31590/ejosat.1076596

Makale detayları

Vehicle Fuel Emission Efficiency Estimation Using Multi-Linear Regression in Machine Learning

Yazarlar:

Yunus EĞİ

Yayıncı:

Osman SAĞDIÇ

Ana Başlıklar:

Uygulamalı fizik

Dergi:

European Journal of Science and Technology 2022 Vol. Issue 34, pp.115-120

Belge Tipi:

Makale

Yayın Tarihi:

3/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000915529

Sıklık:

Üç Aylık

eISSN:

2148-2683

DOI:

https://doi.org/10.31590/ejosat.1076596

Anahtar kelimeler:

Özet:

 

Vehicle fuel consumption and emission have been a great deal for global warming and the world economy. The impacts of CO2 emission can be minimized through optimization of engine design parameters such as Rated horsepower(RHP), Number of Cylinders and Rotors(NCR), Number of Gears(NG), and Equivalent Test Weight(ETW) to the Rounded and Adjusted Fuel Economy (RAFE). This article explorers the weighted impact of the independent variables RHP, NCR, NG, and ETW to RAFE using Multi-Linear Regression(MLR) in machine learning. For the proposed MLR method, the vehicle data is divided into two as training and testing. Then, the data cleanup process was applied to the training data to eliminate outliers that led to incorrect predictions. The proposed method determines the correlation coefficient to compare and seek the variables having  less relationships with the dependent variable RAFE. Since there are no insignificant parameters in correlation analysis, MLR training was carried out by taking into account all parameters. Finally, the processed data are trained to create a multi-linear regression model. The obtained model is evaluated through Analysis of Variance(ANOVA). According to the ANOVA, there is a significant relationship between the dependent variable RAFE and the independent variables NG, ETW, and RHP with a p-value of 4.0994e-60, 1.5887e-48, and 2.5494e-31, respectively. Moreover, p-values of NG, ETW, and RHP are supported with F-test results of 227.73, 220.87, and 152.41. On the other hand, the obtained model is also relatively less affected by NCR, with a p-value of 0.031276 and an F-test of 4.94. As a result, the resulting MLR model can be used in new vehicle designs as it reveals which vehicle parameters affect CO2 emissions.

 

Araç yakıt tüketimi ve emisyonu küresel ısınma ve dünya ekonomisi için büyük bir olay olmuştur. CO2 emisyonunun etkileri, Nominal Beygir Gücü (NBG), Silindir ve Rotor Sayısı (SRS), Dişli Sayısı (DS) ve Eşdeğer Test Ağırlığı (ETA) gibi motor tasarım parametrelerinin Yuvarlatılmış ve Ayarlanmış Yakıt Ekonomisine (YAYE) optimizasyonu ile en aza indirilebilir. Bu makalede, makine öğreniminde Çoklu Doğrusal Regresyon (ÇDR) kullanılarak NBG, SRS, DS ve ETA bağımsız değişkenlerinin YAYE'ye ağırlıklı etkisi ortaya çıkarılmıştır. Önerilen ÇDR yöntemi için araç verileri eğitim ve test olarak ikiye ayrılmıştır. Daha sonra yanlış tahminlere yol açan aykırı değerleri ortadan kaldırmak için eğitim verilerine veri temizleme işlemi uygulanmıştır. Önerilen yöntem, bağımlı değişken YAYE ile ilişkisi olan değişkenleri karşılaştırmak ve aramak için korelasyon katsayısını belirlemektedir. Korelasyon analizinde önemsiz parametreler bulunmadığından ÇDR eğitimi tüm parametreler dikkate alınarak gerçekleştirilmiştir. Son olarak, işlenen veriler ÇDR modeli oluşturmak için eğitilmiştir. Elde edilen model Varyans (ANOVA) analizi ile değerlendirilmiştir. ANOVA'ya göre, bağımlı değişken YAYE ile bağımsız değişkenler DS, ETA ve NBG arasında sırasıyla p değeri 4.0994e-60, 1.5887e-48 ve 2.5494e-31 arasında anlamlı bir ilişki vardır. Ayrıca, DS ETA ve NBG'nin p değerleri 227.73, 220.87 ve 152.41 F test sonuçları ile desteklenir. Öte yandan, elde edilen model ayrıca 0.031276 p değeri ve 4.94 F testi ile SRS'den nispeten daha az etkilenir. Sonuç olarak, ortaya çıkan ÇDR modeli, araç parametrelerinin CO2 emisyonlarını etkilediğini ortaya çıkardığı için yeni araç tasarımlarında kullanılabilir.

Makale detayları

Vehicle Fuel Emission Efficiency Estimation Using Multi-Linear Regression in Machine Learning

Yazarlar:

Yunus EĞİ

Yayıncı:

Osman SAĞDIÇ

Ana Başlıklar:

Uygulamalı fizik

Dergi:

European Journal of Science and Technology 2022 Vol. Issue 34, pp.115-120

Belge Tipi:

Makale

Yayın Tarihi:

3/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000915529

Sıklık:

Üç Aylık

eISSN:

2148-2683

DOI:

https://doi.org/10.31590/ejosat.1076596

Yakıt verimliliği

Makine Öğrenimi

Çoklu lineer Regresyon

CO2 Emisyonu

Sayı

Makale detayları

Vehicle Fuel Emission Efficiency Estimation Using Multi-Linear Regression in Machine Learning

Yazarlar: Yunus EĞİ

Yayıncı: Osman SAĞDIÇ

Ana Başlıklar: Uygulamalı fizik

Dergi: European Journal of Science and Technology 2022 Vol. Issue 34, pp.115-120

Belge Tipi: Makale

Yayın Tarihi: 3/2022

Belge Dili: İngilizce

Document ID (Org No.): 2000915529

Sıklık: Üç Aylık

eISSN: 2148-2683

DOI: https://doi.org/10.31590/ejosat.1076596

Yakıt verimliliği

Makine Öğrenimi

Çoklu lineer Regresyon

CO2 Emisyonu

Sayı

Yazarlar:

Yunus EĞİ

Yayıncı:

Osman SAĞDIÇ

Ana Başlıklar:

Uygulamalı fizik

Dergi:

European Journal of Science and Technology 2022 Vol. Issue 34, pp.115-120

Belge Tipi:

Makale

Yayın Tarihi:

3/2022

Belge Dili:

İngilizce

Document ID (Org No.):

2000915529

Sıklık:

Üç Aylık

eISSN:

2148-2683

DOI:

https://doi.org/10.31590/ejosat.1076596