Predictive Modelling of Grate Combustion and Boiler Dynamics
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
Pressure and air to fuel ratio control are extremely difficult in coal-fired grate boilers due to a significant lag in combustion. This leads to suboptimal operation of the boiler and poor efficiency of the plant. This also leads to higher level fluctuation. Fluctuation in pressure, water level and oxygen level are quite evident in the operation of coal-fired grate boilers in fluctuating load conditions. The present work aims to develop a predictive and dynamic simulation model of a coal-fired grate boiler for the prediction of pressure, and water level in fluctuating load conditions and its extension for the prediction of oxygen level. A data-driven approach has been used for the prediction of heat release, distribution of heat transfer, circulation analysis and airflow through the various dampers. This model has been integrated with the boiler dynamics model of a hybrid boiler. Errors in pressure and water level are measured for training data and the multi-objective optimisation method is used for the minimisation of errors. The Batch Gradient Descent method has been used for the minimisation of errors. The proposed integrated model is used for the estimation of heat release and the rate of combustion. Stochiometric combustion calculation is used to predict oxygen level by using the predicted value of airflow and rate of combustion. Root mean squared error is calculated for oxygen level and minimised by the Batch Gradient Descent algorithm. The model has good accuracy in the prediction of boiler pressure and water level and can be extended to improve the boiler controls of a solid fuel fired reciprocating grate boiler in extremely fluctuating load conditions.
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 | 0,000 |
| 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