Deriving to an Optimum Policy for Designing the Operating Parameters of Mahshahr Gas Turbine Power Plant Using a Self Learning Pareto Strategy
Notice bibliographique
Résumé
In the last decades, analyzing and optimizing the power plants based on thermodynamic laws and intelligent control techniques absorb an incremental interest of researchers. This is because deriving the efficient operating parameters for designing and optimizing the performance of power plants will lead to an acceptable investment and avoiding from discarding the energy. However, there are a few areas of application of mathematical optimization method. Optimizing the governing equations and designing parameters of power plants simultaneously leads to a multi-objective problem in industry. Some of these objectives are nonlinear, non-convex and multi-modal with different type of real life engineering constraints. In this paper a new method called Synchronous Parallel Shuffling Self Organized Pareto Strategy Algorithm (SPSSOPSA) is presented which synthesized evolutionary computing, swarm intelligence techniques and Time Adaptive Self Organizing Map(TASOM) simultaneously incorporating with a data shuffling behavior. Thereafter it will be applied to verifying the optimum decision making for parameter designing of Mahshahr power plant that produced about 117MW electricity, sited in Iran, as a multi-objective and multi-modal problem. The results show the deep relation of the unit cost on the change of the operating parameters. Key words : Economic optimizing; Exergetic optimizing; Work output maximization; Evolutionary algorithm; Self organized map; Power plant
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».