Modélisation des moteurs à turbine à gaz à partir de données - Asgari, Hamid
39,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 6-10 Tagen
payback
20 °P sammeln
  • Broschiertes Buch

De nos jours, les moteurs à turbine à gaz (GTE) sont largement utilisés dans les moteurs à réaction, les plates-formes pétrolières, les centrales électriques, les raffineries, les usines pétrochimiques et les stations-service pour la production d'électricité. L'une des meilleures stratégies pour fabriquer des GTE plus efficaces, plus durables et plus fiables consiste à utiliser des techniques de modélisation et de simulation. Des études remarquables ont été réalisées jusqu'à présent dans le domaine de la modélisation des GTE à partir de données, chacune avec ses propres avantages et limites.…mehr

Andere Kunden interessierten sich auch für
Produktbeschreibung
De nos jours, les moteurs à turbine à gaz (GTE) sont largement utilisés dans les moteurs à réaction, les plates-formes pétrolières, les centrales électriques, les raffineries, les usines pétrochimiques et les stations-service pour la production d'électricité. L'une des meilleures stratégies pour fabriquer des GTE plus efficaces, plus durables et plus fiables consiste à utiliser des techniques de modélisation et de simulation. Des études remarquables ont été réalisées jusqu'à présent dans le domaine de la modélisation des GTE à partir de données, chacune avec ses propres avantages et limites. Les résultats de ces activités ont eu un impact significatif sur l'optimisation et la réduction des coûts des processus de conception et de fabrication, ainsi que sur l'amélioration de la surveillance de l'état, du fonctionnement, du diagnostic des défaillances et de la planification de la maintenance de ces systèmes. Ce livre étudie et compare de nouveaux modèles linéaires et non linéaires de moteurs à turbine à gaz basés sur des données. Les modèles linéaires consistent en des modèles Ridge, Lasso et Multi-Task Elastic-Net, qui sont construits sur la base de régressions linéaires. Un modèle non linéaire du système est mis en place et validé en utilisant des réseaux neuronaux récurrents (RNN). Il est démontré que le modèle RNN résultant peut être appliqué de manière fiable pour la prédiction des performances du moteur en suivant les changements dans les entrées du système.
Autorenporträt
HAMID ASGARI ha conseguito il dottorato di ricerca in Ingegneria meccanica presso l'Università di Canterbury (UC) in Nuova Zelanda. Ha lavorato come ricercatore in centri di ricerca internazionali. Le sue competenze di ricerca riguardano l'analisi dei dati, l'apprendimento automatico, l'apprendimento profondo, la dinamica dei sistemi e la "modellazione, simulazione e controllo" dei sistemi industriali.