MétaCan
Menu
Retour à la cohorte
Enregistrement W4319429859 · doi:10.24843/spektrum.2020.v07.i01.p15

PENGGUNAAN KAPASITOR BANK UNTUK MEMPERBAIKI FAKTOR DAYA DAN MENGURANGI RUGI-RUGI DAYA MENGGUNAKAN FUZZY LOGIC CONTROLLER DI QUEST HOTEL KUTA BADUNG

2020· article· en· W4319429859 sur OpenAlexaff
I Dewa Gede Wiadnya Wiantara, I Made Mataram, Ida Bagus Gde Fajar Manuaba

Notice bibliographique

RevueJurnal SPEKTRUM · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueEngineering and Technology Innovations
Établissements canadiensQuest University Canada
Organismes subventionnairesnon disponible
Mots-clésPower factorCapacitorAC powerFuzzy logicElectrical engineeringController (irrigation)Power (physics)PhysicsComputer scienceEngineeringArtificial intelligenceVoltage

Résumé

récupéré en direct d'OpenAlex

Quest Hotel Kuta is a place of business engaged in lodging services. To support operationalneeds, the hotel uses electrical equipment, most of which are inductive. The use of high inductiveloads can produce high reactive power, depending on the power factor because the active powerobtained from the installed power will be less. Based on the measurement results at Quest Hotel Kutathe measured power factor is 0.70, while PLN charges the excess cost of kVARH to the customer ifthe average power factor is less than 0.85. To be able to improve the low power factor can be done byusing a capacitor bank, the capacitor uses the reactive power required at the inductive load. Changingthe power factor in consumers can change. To equalize the power change factor, the capacitor bank isassembled to work multiple steps / multi steps. Multi-step capacitor banks consist of several capacitorswith the same or different capacities. Based on the results of measurements before using the fuzzylogic method, the obtained power factor is 0.70 to 0.74 while the capacitors are installed from 12.5kVAR to 25 kVAR. After using the fuzzy logic controller method the power factor obtained is 0.80 to0.87 and capacitors using the 13.1 kVAR to 22.4 kVAR method. Whereas the power losses beforeusing the fuzzy logic controller method are 26220.5 watts. After using the fuzzy logic controllermethod, the power losses incurred were 23214.45 watts.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0030,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0160,006

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 Opus0,010
Tête enseignante GPT0,204
Écart entre enseignants0,194 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJurnal SPEKTRUMMême sujetEngineering and Technology InnovationsTravaux en français237 207