This research study mainly focuses on identifying the significant factors to be considered to discover the accuracy and reliability of the predictive models. The experimental results were employed to develop three different models: an artificial neural network (ANN), a response surface methodology (RSM), and a hybrid model. Brake thermal efficiency, specific fuel consumption, and regulated emissions were predicted using ANN, and inputs such as fuel blend concentration, CR, and engine speed were optimized using the RSM and hybrid models. The accuracy and reliability of the model results were validated with the least mean square error, mean absolute percentage error, and a higher signal-to-noise ratio. The higher R2 between 0.99426 and 0.9998 was observed by ANN whereas R2 by RSM and the hybrid model were relatively less. Similarly, the mean square error of ANN was relatively less compared to RSM and hybrid. However, the mean absolute percentage error observed in the validation test results for the optimized input parameters discovered by RSM, was less than 5% for all the responses and higher in the hybrid model. Thus, the authors concluded that the ANN's predictive ability was much higher and RSM is the best suited for optimizing the engine parameters compared to the hybrid model.

Various alternative fuels have previously been investigated in light of growing concerns about environmental pollution and fuel depletion. In this study, the effects of dimethyl carbonate as an alternative oxygenate to gasoline on the performance, emissions, and combustion characteristics of an inline four-cylinder spark-ignited engine are investigated. Adding dimethyl carbonate to gasoline produced a higher Research octane number (RON) and oxygen percentage. The study found that using dimethyl carbonate/gasoline blends increased brake thermal efficiency and reduced unburned hydro carbons and carbon monoxide emissions. Furthermore, a mixture containing 30% dimethyl carbonate presented the engine's best performance and emission characteristics compared to gasoline. At higher engine speed, 8.95% higher brake thermal efficiency, 16.94% lesser HC, and 18.75% lesser CO than gasoline. A higher level of NOx is produced by dimethyl carbonate/gasoline blends when compared to gasoline. The combustion stability and heat release rate produced by dimethyl carbonate/gasoline blends were higher than gasoline.

Abstract In many situations, the polymer gears are the perfect replacement for traditional metal gears. Compared to metal gears, the polymer gears will generate more heat at the gear tooth contact surface and more wear loss. Hence, this study aims to decrease the wear loss and increase the load-carrying capacity of the polymer gears. To achieve this, the reinforcement materials were added to the base polymer gear material. In this study, Nylon-66 was chosen as the polymer matrix material and an isolated glass fibre and steel grid were used as the reinforcement materials. Three different types of polymer spur gears such as Polyamide Gear (Nylon-66), Reinforced Polyamide Gear (Nylon-66+Glass Fibre), and Hybrid Glass Fiber Steel Grid Gear (Nylon-66+Glass Fibre+Steel Grid) named PG, RPG and HGFSGG were fabricated using injection moulding machine and each type of gears were compared for wear loss and specific wear rate under the similar testing conditions. The wear test was performed in the Forschungsstelle fur Zahnrader und Getriebebau (FZG) test rig at 1500 rpm with an applied load of 20 N for 12.5 hours continuously. From the test results, it was identified that HGFSGG polymer spur gears have exhibited a lower surface temperature and better wear properties compared to the other two types of spur gears. From the Scanning Electron Microscope (SEM) analysis, it was noticed that the PG spur gear exhibited deep and uniform wear at the gear tooth surface. In contrast, RPG spur gear exhibited glass fibre distortion and abrasive-type wear. The SEM micrograph of HGFSGG spur gear reveals the presence of very few surface flaws in the gear tooth surface.

<div class="section abstract"><div class="htmlview paragraph">3-Dimensional (3D) printing is an additive manufacturing technology that deposits materials in layers to build a three-dimensional component. Fused Deposition Modelling (FDM) is the most widely used 3D printing technique to produce the thermoplastic components. In FDM, the printing process parameters have a major role in controlling the performance of fabricated components. In this study, carbon fibre reinforced polymer composites were fabricated using FDM technique based on Taguchi's Design of experimental approach. The matrix and reinforcement materials were poly-lactic acid (PLA) and short carbon fibre, respectively. The goal of this study is to optimize the FDM process parameters in order to obtain the carbon fibre reinforced PLA composites with enhanced hardness and compressive strength values. Shore-D hardness and compression tests were carried out as per American Society for Testing and Materials (ASTM) D2240 and ASTM D695 standards respectively, to measure the output responses. The FDM process parameters considered in this study are layer height, infill density and infill pattern. The grey relational analysis (GRA) based multi-response optimization technique is used to optimize the process parameters. Analysis of variance is used to determine the most influential process parameter. The results showed that 3D printed components with improved performance characteristics could be achieved at 0.1mm layer height, Grid shaped infill pattern, and 75g/cm³ infill density with a Shore-D hardness value of 76 and compressive strength of 42 N/mm². It was identified that for multi-response optimization of equal weightage condition, the layer height contributed 44.44% followed by the contribution of Infill pattern and Infill density by 25.93% and 18.04% respectively. The developed regression model predicted the grade value at 90% confidence interval.</div></div>