An Ensemble of Recurrent Neural Networks for Real Time Performance Modeling of Three-Spool Aero-Derivative Gas Turbine Engine
Notice bibliographique
Résumé
Abstract Gas turbine is a complex system operating in nonstationary operation conditions for which traditional model-based modeling approaches have poor generalization capabilities. To address this, an investigation of a novel data driven neural networks based model approach for a three-spool aero-derivative gas turbine engine (ADGTE) for power generation during its loading and unloading conditions is reported in this paper. For this purpose, a nonlinear autoregressive network with exogenous inputs (NARX) is used to develop this model in matlab environment using operational closed-loop data collected from Siemens (SGT-A65) ADGTE. Inspired by the way biological neural networks process information and by their structure which changes depending on their function, multiple-input single-output (MISO) NARX models with different configurations were used to represent each of the ADGTE output parameters with the same input parameters. First, data preprocessing and estimation of the order of these MISO models were performed. Next, a computer program code was developed to perform a comparative study and to select the best NARX model configuration, which can represent the system dynamics. Usage of a single neural network to represent each of the system output parameters may not be able to provide an accurate prediction for unseen data and as a consequence provides poor generalization. To overcome this problem, an ensemble of MISO NARX models is used to represent each output parameter. The major challenge of the ensemble generation is to decide how to combine results produced by the ensemble's components. In this paper, a novel hybrid dynamic weighting method (HDWM) is proposed. The verification of this method was performed by comparing its performance with three of the most popular basic methods for ensemble integration: basic ensemble method (BEM), median rule, and dynamic weighting method (DWM). Finally, the generated ensembles of MISO NARX models for each output parameter were evaluated using unseen data (testing data). The simulation results based on datasets consisting for experimental data as well as data provided by Siemens high fidelity thermodynamic transient simulation program show improvement in accuracy and robustness by using the proposed modeling approach.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».