شناسایی دینامیکی پارامترهای خروجی توربین گاز با استفاده از شبکه عصبی NARX

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,160

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MAARS01_387

تاریخ نمایه سازی: 16 اسفند 1394

چکیده مقاله:

شبکه های عصبی مصنوعی جزء سیستم های هوشمند هستند که براساس اطلاعات ورودی ،رابطه نهفته در ورای داده ها را به ساختار شبکه منتقل می کنند. در این مقاله که براساس مطالعات علمی و تجربی صورت گرفته است،بااستفاده از داده های واقعی بدست آمده از توربین گازی نیروگاه ،برای شناسایی پارامترها با بهره گیری از شبکه عصبی NARX اقدام شده است. قبل از ورود داده ها به الگوریتم شناسایی ،برای دستیابی به دقت بالاتر اهداف و بهبود عملکرد شبکه عصبی،برروی داده ها پیش پردازش صورت می گیرد.در الگوریتم شبکه، توابع آموزش های مختلف ،تعداد متفاوتی از سلول های عصبی و همچنین انواع توابع انتقال (فعال سازی) برای لایه های پنهان و لایه خروجی از شبکه که در محیط متلب ایجاد شده است،در نظر گرفته می شود. نتایج نشان میدهد که تابع آموزش trainlm دارای عملکرد بهتری از نظر معیار حداقل میانگین مربعات خطا،در مقایسه با هریک از توابع آموزش دیگر دارا می باشد. شبکه عصبی NARX که مهم ترین ویژگی اش در عین غیرخطی بودن، دینامیکی بودن آن است،توانایی شناسایی دینامیکی پارامترهای اصلی سیستم توربین گاز را با دقت زیاد نسبت به سایر روش های خطی و استاتیک دارا می باشد.

نویسندگان

سجاد عباسی پیام

دانشجوی کارشناسی ارشد،دانشگاه گیلان

غلامرضا زارع پور

استادیار،دانشکده فنی مهندسی،دانشگاه گیلان

علی چائی بخش

استادیار،دانشکده فنی مهندسی،دانشگاه گیلان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • سروش، علیرضا، 1384. پیشبینی پیک مصرف انرژی الکتریکی با استفاده ...
  • W .A .Docter, C .Georgakis "Identification of reduced order Average ...
  • K. Glover, Perturbation Signals for System Identification, Prentice Hal New ...
  • KJ. Hunt, D. Sarbaro, R. Zbikowski and PJ. Gawthrop, "Neural ...
  • F.A. Guerra, v.H. Ayla, A.E. Lazzaretti, M.R. Sans, L.S. Coelho ...
  • S.A. Billings and L.A. Aguire, "Effects of the Sampling Time ...
  • M.T. Rosenstein, J.J. Collins, CJ. De Luca, _ 'Reconstruction Expansion ...
  • Quasi Z.A1-hamdan, Munzer S. Y. Ebaid , "Modeling and Simulation ...
  • G.Crosa, F.Pittaluga, A.Trucco, "Heavy Duty Gas Turbine Plant Aerothermodyn amic ...
  • S.M. Camporeale, B. Fortunato, A. Dumas, "Dynamic Modeling of Recuperative ...
  • I.Rowen, " Simplified Mathematical Representation of Heavy- Duty Gas Turbines", ...
  • W.I.Rowen, "Simplified Mathematicl Representation Of Single Shaft Gas Turbines in ...
  • LN.Hannet, Afzal Khan, "Combustion Turbine Dynamic Mode] Validation from Tests", ...
  • Jurado F, Cano A, "Use of ARX algorithms for modelling ...
  • Overview and comparartive analysis of gas turbine", IEEE :ه [14] ...
  • NARX models of a industrial power plant gas turbine", IEEE ...
  • M. A. Rendon, M. A. R. Nascimendo, P. P. C. ...
  • Y. Zhu, _ Multivariable system identification for process control", Elsevier, ...
  • نمایش کامل مراجع