در میان فرآیندهای بهینه سازی موتور، بی گمان بهبود فرآیندهای کنترلی از اولویتی ویژه برخوردار است. اولین گام در هر فرآیند کنترلی، مدلسازی سیستم است. مدلی که علاوه بر توصیف وضعیت لحظه ای سیستم واقعی، قادر باشد تأثیر ورودی های کنترلی را بر خروجی های کنترلی، به صورت بلادرنگ و با دقت بالا نشان دهد. این پژوهش برآنست تا با استفاده از شبکه های عصبی مصنوعی و جانمایی آن ها در مدل های کنترل محور مرسوم موتور، مدلی دقیق تر، تا حد امکان کامل و در عین حال بلادرنگ برای موتورهای اشتعال جرقه ای را پیشنهاد کند. این نوع مدلسازی، از مدل های مرسوم، دقیق تر و نسبت به یک مدل جعبه سیاه صرف، مقاوم تر و دارای محدوده اعتبار بالاتری است. در عین حال به اندازه کافی بلادرنگ می باشد. در این راه، به منظور اکتساب داده ها، ابتدا یک مدل یک بعدی موتور، با استفاده از نرم افزار gt-power ساخته و صحه گذاری می شود. تلاش می-شود تا جداول کاملی از محدوده های عملکرد (مطلوب و نامطلوب) موتور، برای آموزش شبکه های عصبی بدست آید. به علاوه، این پژوهش تلاش می کند تا با بهبود روش های مرسوم، شبکه هایی با دقت بالا طراحی نماید. به طوری که ملاحظه خواهد شد، رگرسیون های بدست آمده بسیار شبیه به خط هستند. این مهم، بیش از هر چیز مدیون روش ها و اصول به کار رفته در طراحی شبکه ها بوده است. در نهایت، مدل (simulink) حاصله می تواند خروجی های موتور، اعم از آلاینده ها، گشتاور تولیدی و سرعت خروجی را (در حالت های ماندگار و گذرا) با دقت بالا و بلادرنگ پیش بینی کند.