Modeling and Predicting the Mechanical Behavior of Standard Insulating Kraft Paper Used in Power Transformers under Thermal Aging
Notice bibliographique
Résumé
The aim of this research is to predict the mechanical properties along with the behaviors of standard insulating paper used in power transformers under thermal aging. This is conducted by applying an artificial neural network (ANN) trained with a multiple regression model and a particle swarm optimization (MR-PSO) model. The aging of the paper insulation is monitored directly by the tensile strength and the degree of polymerization of the solid insulation and indirectly by chemical markers using 2-furfuraldehyde compound content in oil (2-FAL). A mathematical model is then developed to simulate the mechanical properties (degree of polymerization (DPV) and tensile index (Tidx)) of the aged insulation paper. First, the datasets obtained from experimental results are used to create the MR model, and then the optimizer method PSO is used to optimize its coefficients in order to improve the MR model. Then, an ANN method is trained using the MR-PSO to create a nonlinear correlation between the DPV and the time, temperature, and 2-FAL values. The acquired results are assessed and compared with the experimental data. The model presents almost the same behavior. In particular, it has the capability to accurately simulate the nonlinear property behavior of insulation under thermal aging with an acceptable margin of error. Since the life expectancy of power transformers is directly related to that of the insulating paper, the proposed model can be useful to maintenance planners.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».