MétaCan
Menu
Retour à la cohorte
Enregistrement W2345292287 · doi:10.1109/irsec.2015.7455086

Development of renewable energy laboratory based on integration of wind, solar and biodiesel energies through a virtual and physical environment

2015· article· en· W2345292287 sur OpenAlexaff
Soro S. Martin, Ahmed Chebak, N. Barka

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnergy
ThématiquePhotovoltaic System Optimization Techniques
Établissements canadiensUniversité du Québec à Rimouski
Organismes subventionnairesnon disponible
Mots-clésRenewable energyPhotovoltaic systemAutomotive engineeringMaximum power point trackingWind powerSolar energyEngineeringElectrical engineeringWind speedComputer scienceMeteorologyVoltageInverterPhysics

Résumé

récupéré en direct d'OpenAlex

This paper presents the concept of novel educational renewable energy laboratory. The proposed laboratory objective is to allow students to learn all aspects of renewable energies and take hands-on equipment's for better understanding of clean energy technologies. This laboratory includes a hybrid power system (HPS) integrating wind energy conversion system (WECS), photovoltaic (PV) panel, biodiesel generator, maximum power point tracking (MPPT) controllers and storage battery. In this paper, the whole HPS dimensioning is performed and the three renewable energy source systems are simulated and analyzed separately. The PV panels are examined under solar radiation and cell temperature variation conditions. The solar power functioning are verified and studied through a direct connection to battery and resistive load. The WECS is also analyzed through the same connection under constant wind's speed and variable wind's speed. Furthermore, the biodiesel generator using permanent magnet synchronous machine was simulated and analyzed. The laboratory physical environment is described and the virtual platform is presented. The e-learning concept and the laboratory learning topics are also developed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,189
Score d'incertitude au seuil0,510

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,228
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPhotovoltaic System Optimization TechniquesTravaux en français237 207