The automotive industry is facing a crucial time. The transformation from internal combustion engines to new electrical technologies requires enormous investment, and hence the IC engines are likely to serve as a means of transportation for the coming decades. The search for sustainable green alternative fuel and operating parameter optimization is a current feasible solution and is a critical issue among the scientific community. Engine experiments are complicated, costly, and time-consuming, especially when the global economy is drastically down due to the COVID-19 pandemic and putting the limitation of social distancing. Industries are looking for proven computational solutions to address these issues. Recently, artificial neural network has been proven beneficial in several areas of engineering to reduce the time and experimentation cost. The IC engine is one of them. ANN has been used to predict and analyze different characteristics such as performance, combustion, and emissions of the IC engine to save time and energy. The complex nature of ANN may lead to computation time, energy, and space. Recent studies are centered on changing the network topology, deep learning, and design of ANN to get the highest performance. The present study summarizes the application of ANN to predict and optimize the complicated characteristics of various types of engines with different fuels. The study aims to investigate the network topologies adopted to design the model and thereafter statistical evaluation of the developed ANN models. A comparison of the ANN model with other prediction models is also presented.

汽车行业正面临关键时期。从内燃机到新的电气技术的转变需要巨大的投资，因此内燃机很可能成为未来几十年的交通工具。寻找可持续的绿色替代燃料和运行参数优化是当前可行的解决方案，也是科学界的一个关键问题。发动机实验是复杂、昂贵且耗时的，尤其是当全球经济由于 COVID-19 大流行和社交距离的限制而急剧下滑时。行业正在寻找经过验证的计算解决方案来解决这些问题。最近，人工神经网络已被证明在工程的多个领域是有益的，可以减少时间和实验成本。内燃机就是其中之一。人工神经网络已被用于预测和分析内燃机的性能、燃烧和排放等不同特性，以节省时间和能源。人工神经网络的复杂性可能导致计算时间、能量和空间。最近的研究集中在改变网络拓扑、深度学习和设计人工神经网络以获得最高性能。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。人工神经网络已被用于预测和分析内燃机的性能、燃烧和排放等不同特性，以节省时间和能源。人工神经网络的复杂性可能导致计算时间、能量和空间。最近的研究集中在改变网络拓扑、深度学习和设计人工神经网络以获得最高性能。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。人工神经网络已被用于预测和分析内燃机的性能、燃烧和排放等不同特性，以节省时间和能源。人工神经网络的复杂性可能导致计算时间、能量和空间。最近的研究集中在改变网络拓扑、深度学习和设计人工神经网络以获得最高性能。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。人工神经网络的复杂性可能导致计算时间、能量和空间。最近的研究集中在改变网络拓扑、深度学习和设计人工神经网络以获得最高性能。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。人工神经网络的复杂性可能导致计算时间、能量和空间。最近的研究集中在改变网络拓扑、深度学习和设计人工神经网络以获得最高性能。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。本研究总结了人工神经网络在预测和优化使用不同燃料的各种类型发动机的复杂特性方面的应用。该研究旨在调查用于设计模型的网络拓扑结构，然后对已开发的 ANN 模型进行统计评估。还介绍了 ANN 模型与其他预测模型的比较。