Neural Network Optimization Algorithms to Predict Wind Turbine Blade Fatigue Life under Variable Hygrothermal Conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Moisture and temperature are the most important environmental factors that affect the degradation of wind turbine blades, and their influence must be considered in the design process. They will first affect the resin matrix and then, possibly, the interface with the fibers. This work is the first to use a series of metaheuristic approaches to analyze the most recent experimental results database and to identify which resins are the most robust to moisture/temperature in terms of fatigue life. Four types of resin are compared, representing the most common types used for wind turbine blades manufacturing. Thermoset polymer resins, including polyesters and vinyl esters, were machined as coupons and tested for the fatigue in air temperatures of 20 °C and 50 °C under “dry” and “wet” conditions. The experimental fatigue data available from Sandia National Laboratories (SNL) for wind turbine-related materials have been used to build, train, and validate an artificial neural network (ANN) to predict fatigue life under different environmental conditions. The performances of three algorithms (Backpropagation BP, Particle Swarm Optimization PSO, and Cuckoo Search CS) are compared for adjusting the synaptic weights of the ANN and evaluating the efficiency in predicting the fatigue life of the materials studied, under the conditions mentioned above. For accuracy evaluation, the mean square error (MSE) is used as an objective function to be optimized by the three algorithms.
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.
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 | 0,000 | 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 découle