Second Law Based Optimization of Micro Gas Turbine (MGT) Cycle for Residental Application Using a Genetic Algorithm
Notice bibliographique
Résumé
Exergoeconomic analysis helps designers to find ways to improve the performance of a system in a cost effective way. Most of the conventional exergoeconomic optimization methods are iterative in nature and require the interpretation of the designer at each iteration. In this work, a cogeneration system that produces 50MW of electricity and 33.3 kg/s of saturated steam at 13 bars is optimized using exergoeconomic principles and evolutionary programming such as Genetic algorithm. The optimization program is developed in Matlab Software programming. The plant is comprised of a gas turbine, air compressor, combustion chamber, and air pre-heater as well as a heat recovery steam generator (HRSG).The design Parameters of the plant, were chosen as: compressor pressure ratio (rc), compressor isentropic efficiency (ηac), gas turbine isentropic efficiency (ηgt), combustion chamber inlet temperature (T3), and turbine inlet temperature (T4). In order to optimally find the design parameters a thermoeconomic approach has been followed. An objective function, representing the total cost of the plant in terms of dollar per second, was defined as the sum of the operating cost, related to the fuel consumption. Subsequently, different pars of objective function have been expressed in terms of decision variables. Finally, the optimal values of decision variables were obtained by minimizing the objective function using Evolutionary algorithm such as Genetic Algorithm. The influence of changes in the demanded power on the design parameters has been also studied for 50, 60, 70 MW of net power output.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».