Andere Kunden interessierten sich auch für
![Data-Driven Modelling of Gas Turbine Engines]( "Data-Driven Modelling of Gas Turbine Engines")
Data-Driven Modelling of Gas Turbine Engines39,99 €![Modelação baseada em dados de motores de turbina a gás]( "Modelação baseada em dados de motores de turbina a gás")
Modelação baseada em dados de motores de turbina a gás39,99 €![Analyse der Energieerzeugung mit einer aerodivativen Ethanolturbine]( "Analyse der Energieerzeugung mit einer aerodivativen Ethanolturbine")
Analyse der Energieerzeugung mit einer aerodivativen Ethanolturbine35,90 €![Modellazione guidata dai dati dei motori a turbina a gas]( "Modellazione guidata dai dati dei motori a turbina a gas")
Modellazione guidata dai dati dei motori a turbina a gas39,99 €![Künstliche Intelligenz im Maschinenbau]( "Künstliche Intelligenz im Maschinenbau")
Künstliche Intelligenz im Maschinenbau43,90 €![Anwendungen der Gasturbine]( "Anwendungen der Gasturbine")
Anwendungen der Gasturbine35,90 €![Datenwissenschaft und akademische Leistung in einer virtuellen Umgebung]( "Datenwissenschaft und akademische Leistung in einer virtuellen Umgebung")
Datenwissenschaft und akademische Leistung in einer virtuellen Umgebung43,90 €
Heutzutage werden Gasturbinenmotoren (GTE) in großem Umfang in Düsentriebwerken, Ölfeldplattformen, Kraftwerken, Raffinerien, petrochemischen Anlagen und Gaskraftwerken zur Stromerzeugung eingesetzt. Eine der besten Strategien zur Herstellung von GTE mit höherer Effizienz, Haltbarkeit und Zuverlässigkeit ist der Einsatz von Modellierungs- und Simulationstechniken. Auf dem Gebiet der datengesteuerten Modellierung von GTE wurden bisher bemerkenswerte Studien durchgeführt, die jeweils ihre eigenen Vorteile und Grenzen haben. Die Ergebnisse dieser Arbeiten haben erhebliche Auswirkungen auf die Optimierung und Kostenreduzierung von Konstruktions- und Fertigungsprozessen sowie auf Verbesserungen bei der Zustandsüberwachung, dem Betrieb, der Fehlerdiagnose und der Wartungsplanung dieser Systeme gehabt. In diesem Buch werden neuartige lineare und nichtlineare datengesteuerte Modelle für Gasturbinentriebwerke untersucht und miteinander verglichen. Die linearen Modelle bestehen aus Ridge-,Lasso- und Multi-Task-Elastic-Net-Modellen, die auf linearen Regressionen beruhen. Ein nichtlineares Modell des Systems wird durch den Einsatz von rekurrenten neuronalen Netzen (RNN) erstellt und validiert. Es wird gezeigt, dass das resultierende RNN-Modell zuverlässig für die Leistungsvorhersage des Motors verwendet werden kann, indem es Änderungen der Systemeingänge verfolgt.