Modelação baseada em dados de motores de turbina a gás
Versandkostenfrei!
Versandfertig in 6-10 Tagen
39,99 €
inkl. MwSt.
PAYBACK Punkte
20 °P sammeln!
Actualmente, os motores de turbina a gás (GTE) são amplamente utilizados em motores a jacto, plataformas de campos petrolíferos, centrais eléctricas, refinarias, instalações petroquímicas e centrais de gás para produção de energia. Uma das melhores estratégias para fabricar GTE com maior eficiência, durabilidade e fiabilidade é a utilização de técnicas de modelização e simulação. Até à data, foram realizados estudos notáveis na área da modelação de GTE com base em dados, cada um com as suas próprias vantagens e limitações. O resultado destas actividades tem tido im...
Actualmente, os motores de turbina a gás (GTE) são amplamente utilizados em motores a jacto, plataformas de campos petrolíferos, centrais eléctricas, refinarias, instalações petroquímicas e centrais de gás para produção de energia. Uma das melhores estratégias para fabricar GTE com maior eficiência, durabilidade e fiabilidade é a utilização de técnicas de modelização e simulação. Até à data, foram realizados estudos notáveis na área da modelação de GTE com base em dados, cada um com as suas próprias vantagens e limitações. O resultado destas actividades tem tido impactos significativos na optimização e redução de custos dos processos de concepção e fabrico, e melhorias na monitorização do estado, operação, diagnóstico de falhas e planeamento da manutenção destes sistemas. Este livro investiga e compara novos modelos lineares e não lineares baseados em dados de motores de turbinas a gás. Os modelos lineares consistem em modelos Ridge, Lasso e Multi-Task Elastic-Net, que são construídos com base em regressões lineares. É criado e validado um modelo não linear do sistema, utilizando redes neuronais recorrentes (RNN). É demonstrado que o modelo RNN resultante pode ser aplicado de forma fiável para a previsão do desempenho do motor, seguindo as alterações nas entradas do sistema.
Andere Kunden interessierten sich für
