İçten yanmalı motorların performans ve emisyon karakteristiklerinin modellenmesi yanma işleminin herhangi bir matematiksel modelleme içermediğinden dolayı yorucu ve uzun zaman alan motor testlerinin yapılmasını gerektirmektedir. Bu deneyler sadece çevreye zarar vermekle, zaman alıcı olmakla ve yüksek maliyetli sensörlerden dolayı pahalı olmakla kalmayıp aynı zamanda insan sağlığı ve çevre için de tehdit oluşturmakta ve pahalı iş gücünü gerektirmektedir. Bunlara ek olarak hassas olmayan sensörlerin kullanılmasından dolayı sadece belirli sayıda noktalar için ölçüm yapılabilmekte ara değerler için her hangi bir ölçüm yapılamamaktadır. Tüm bu sebeplerden dolayı otomotiv imalatçıları daha hassas ve daha az zaman alan ölçüm tekniklerinin elde edilebilmesi için çalışmaktadırlar. Buda motorun yanma odasında ve ilgili diğer kısımlarında yeni ve yüksek maliyetli sensörlerin monte edilmesini gerektirmektedir. Montaj ise bazı parçaların değişikliğe uğraması ile sonuçlanmaktadır. Buda beraberinde yüksek maliyet getirmektedir. Montaj gerektiren sensörlerin yüksek maliyeti yalnızca alınan verimin çok yüksek düzeyde olması durumunda karşılanabilir. Verimin üst düzeyde olması ise daha hassas modelle, yakıt ve emisyon optimizasyonu anlamındadır. Dolayısıyla bu endüstri için var olan ekipmanları kullanıp motor yapısında her hangi bir değişikliğe gitmeden yapılacak ölçüm ve hesaplama teknikleri oldukça değer kazanmaktadır. Yapay Zeka (YZ) teknikleri daha hassas modelleme yapmak için ek sensörlere ihtiyaç doğurmayacağı için bu problemin çözümünde en iyi aday olarak görülmektedir. Var olan ölçüm değerleri YZ teknikleri tarafından kullanılarak daha hassas motor performans ve emisyon karakteri modellemesi gerçekleştirilebilmektedir. Bugüne kadar farklı YZ teknikleri kullanılarak hava-yakıt oranı, yanma zamanlaması, emisyon vb. içten yanmalı motor performans ve emisyon karakteristiğinin modellenmesi ve kontrolü geleneksel yöntemlere göre daha verimli bir şekilde yapılmıştır. Bu sistemler geleneksel modelleme ve kontrol sistemleri ile karşılaştırıldığında verimlilik, optimallık ve istikrar açısından daha iyi olduğu görülmektedir. Bu alanda YZ teknikleri kullanımı 1986 yılında başlamış ve günümüze kadar süre gelmiştir.Bilindiği üzere YZ teknikleri doğrusal olmayan ve matematiksel olarak modellenemeyen karmaşık problemlerin çözümünde kullanılan alternatif teknolojidir. Örneklerden öğrenebilir, gürültülü ve eksik veriler üzerinde doğru sonuçlar elde edilmesine imkan kılar. Bir kere eğitildiler mi yüksek hızda tahmin ve genelleme yapabilirler. Kontrol ve güç sistemleri, robot uygulamaları, desen tanıma, imalat, hava tahmini, tıp, sinyal işleme ve optimizasyon gibi bir çok alanda başarılı sonuçlar vermektedirler. YZ teknikleri uzman sistemler (US), bulanık mantık (BM), yapay sinir ağları (YSA), genetik algoritmalar (GA) ve birden fazla tekniğin birlikte kullanıldığı hibrid sistemleri içermektedir.Bu çalışmada iki ayrı motor veri kümesi üzerinde YZ teknikleri ile motor performans ve emisyon karakteristiğinin noktasal ve aralıksal modellemesi ile yakıt optimizasyonu gerçekleştirilmiştir. Dizel motor veri kümesi üzerinde Yapay Sinir Ağları (YSA) ile gerçekleştirilen noktasal modellemede elde edilen sonuçların deneysel sonuçlara % 99,58 yaklaşık sonuç verdiği tespit edilmiştir. YSA ile benzinli motor veri kümesinde yapılan noktasal modellemede ise elde edilen sonuçların deneysel sonuçlara % 98,5 yaklaşık sonuç verdiği tespit edilmiştir. Noktasal modellemede amaç motor deneylerinin yerini alabilecek ve motor performans ve emisyon karakteristiğini sadece deneylerde ölçülen noktalarda değil tüm noktalarda belirleyen bir model gerçekleştirmektir.Çalışmada ikinci olarak verilen performans ve emisyon değerlerine göre giriş parametreleri ya da giriş parametreleri verildiğinde performans ve emisyon değerleri hangi optimum aralıkta olmalıdır sorusuna cevap aranmıştır. Buda ileri ve geri yönlü optimum aralıksal modelleme anlamına gelmektedir. Bulanık c-ortalamalar ve ANFIS tekniği birlikte kullanılarak dizel motor üstünde giriş ve çıkış parametreleri optimum aralıklara bölünerek ileri ve geri yönlü optimum aralıksal modellemede %100'lük başarı sağlanmıştır. Buda verilen motor giriş parametrelerine (Afr, Pb, Fr, Cy ve L) göre tork, güç ve spesifik yakıt tüketimi ile emisyon değerlerinin (HC, CO2 ve NOx) hangi optimum aralıkta olması (ya da tersi) gerektiğinin %100 başarı ile bulunması anlamındadır. Benzinli motor veri kümesi üzerinde yapılan uygulama sonucunda ise yine ileri ve geri yönlü modellemede % 100 oranında doğru aralık kestirimi yapılmıştır.Çalışmanın son aşamasında ise optimal yakıt tüketiminin belirlenmesi amacıyla tek amaçlı ve çok amaçlı GA optimizasyon teknikleri dizel ve benzinli motor verileri üzerinde uygulanmıştır. Her iki teknik dizel motor verisi üzerinde iyi sonuç verirken benzinli motorun sadece 2 girişli veriye sahip olmasından dolayı iyi değer elde edilmemiştir. Yapay Sinir Ağı ve çok amaçlı GA tekniklerinden NSGA II ilk kez motor verileri üzerinde optimizasyon amaçlı olarak kullanılmış ve başarılı sonuç vermiştir.

Modeling the characteristics of performance and emission of internal combustion engine requires tired-some and time consuming engine tests, since there is no mathematical model of combustion process. Not only are these experiments expensive, time consuming and costly but also can cause negative conditions for human health, environment pollution and expensive labour force. Moreover, limited numbers of points are measured at these tests and there is no way of measuring every point for the given interval due to non-sensitive sensors. So that, automotive manufacturers try to have new measurement techniques to have more sensitive and less time consuming measurement. This requires installation of new costly sensors into the combustion chamber and other related parts of engine. Installation can cause some modification on parts. It is only acceptable if the results obtained by sensors are so profitable. Because, the more you have sensitive modeling the more you will have fuel and emission optimization. Because, the more you have sensitive modeling the more you will have fuel and emission optimization. So that, new way of measurement and calculation techniques that don?t require modification on the engine part and use the current equipments are so valuable for this industry. Artificial Intelligence (AI) techniques seem to be best solution for this problem due to not demanding any additional sensor installation. Existing measured values are used in AI techniques to predict more sensitive performance and emission characteristics modeling of internal combustion engine. By using different AI systems, controlling and modeling of different parameters of IC engines such as air-fuel ratio, ignition timing, emission and etc. have been done till today in effective ways regarding to the traditional methods. When these systems compared with traditional control and modeling systems, it has been seen that novel AI systems are better than traditional model in terms of efficiency, robustness, reliability and optimality.As it?s known AI techniques are accepted as a technology that offers an alternative way to tackle non-linear and highly complex problems that can?t be modeled in mathematics. They can learn from examples and they are able to handle noisy and incomplete data. Once they are trained they can perform prediction and generalization at high speed. They have been used in diverse applications in control, robotics, pattern recognition, forecasting, medicine, power systems, manufacturing, optimization and signal processing. AI systems comprise areas like, expert systems (ES), artificial neural networks (ANN), genetic algorithms (GA), fuzzy logic (FL) and various hybrid systems, which combine two or more techniques.In this study, point-by-point and interval modeling of engine performance and emission characteristics of two different engine data and also fuel optimization were realized. By usin ANN on diesel engine obtained results are matched with the experimental data as the ratio of %99,58. This ratio was %98.5 for the petrol-driven or gas engine. The aim of point by point modeling is to build a system that will take place of the engine experiments to predict the engine performance and emission characteristics not only on measured points but all.In the second stage of the study, the answer of the questions of which optimum input parameter?s interval must be matched with the given performance and emission values or vice versa was investigated. This means optimum interval modeling in both forward and backward direction. Fuzzy c-means, k-means and ANFIS techniques were used for optimum interval modelling. Firstly, inputs and outputs parameters were grouped into optimal numbers independently by using fuzzy c-means and k-means clustering algorithm. Later on, these optimal numbers of clustered or grouped parameters were applied to ANFIS for modeling engine performance and emissions characteristic. The forward and backward modeling that includes fuzzy c-means clustering and ANFIS found outputs in correct optimal interval as 100% ratio. It means torque, power and specific fuel consumption and emission values (HC, CO2 and NOx) were found in correct optimal intervals as 100% ratio according to given engine input parameters (Afr, Pb, Fr, Cy and L). Moreover, since the reverse modeling has the same correctness ratio, input parameters were found in correct optimal intervals as 100% ratio according to given performance and emission values. The difference between forward and backward chaining is the reversing input and output parameters. This technique is applied to both diesel engine and gas engine. In both application correct classification ratios were obtained as %100 for both reverse and forward interval modeling of two engine. In the previous studies, implementation of optimal interval modeling that is based on grouping data instead of point by point and determines optimal interval for the performance and emission values according to given input values or vice versa has never been done.In the final stage of the study, single objective and multi-objective GA optimization techniques were applied to both engine. Both of techniques created good results for optimization of the diesel engine. Since the input data of the gas engine was only two and both of them were used as constant value neither single objective nor multi-objective GA created good optimization results for gas engine. It was the first time to use ANN and NSGA II that is one of the technique of multi-objective GA on engine data.