Simulating Floating Head Pressure Control With Artificial Intelligence
Notice bibliographique
Résumé
In this work, we model with artificial intelligence techniques one of the most used solutions for energy saving in the field of refrigeration. This solution, called floating head pressure control, allows for the optimum pressure condensation depending on the working environment, thus increasing the overall efficiency of the plant. Usually, these mechanisms are controlled by algorithms that are stored in the control memory of the chillers. Under certain environmental conditions, the optimal temperature and condensation pressure fluctuate with the environmental temperature. Thus, the absorbed electricity depends on the working parameters fixed by the control system of the chiller. Results in energy savings in these terms could grow as the external temperature decreases. The problem addressed in this work regards standard floating head pressure control (FHPC) systems that do not combine working environmental factors with the conditions of the machine and historical data because they are implemented adopting static models. We provide evidence about the potential of machine learning models in predicting the velocity of fans in order to adjust their load based on environmental factors and the conditions of the machine. A good setting of fan velocity will result in lower energy consumption. To do that we analyzed and implemented machine learning algorithms to provide instruments that support the operation of the chiller, enabling the floating head pressure control mode in the control system of the machine, during its process. We performed an empirical evaluation on both synthetic and real data to assess the quality of our proposal. Synthetic data are produced by an industrial software that simulates the behavior of chillers, while real-world data is collected from a commercial chiller. The results show that machine learning approaches are able to approximate real data getting errors that are 5 times smaller than the errors committed by the system that is now adopted. All the source code as well as the datasets will be made available online after the review process.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».