A Deep Learning Approach for Fault Diagnosis of Hydrogen Fueled Micro Gas Turbines
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
Hydrogen fueled gas turbines are susceptible to rigorous health degradation in form of corrosion and erosion in the turbine section of a retrofitted gas turbine due to drastically different thermophysical properties of flue gas stemming from hydrogen combustion. In this context fault diagnosis of hydrogen fueled gas turbines becomes indispensable. To authors knowledge, there is a scarcity of fault diagnosis studies for retrofitted gas turbines considering hydrogen as a potential fuel. The present study, however, develops an artificial neural network (ANN) based fault diagnosis model using MATLAB environment. Prior to fault detection, isolation and identification modules, physics-based performance data of 100 kW micro gas turbine (MGT) was synthesized using GasTurb tool. ANN based classification algorithm showed a 99.4% classification accuracy of fault detection and isolation. Moreover, the feedforward neural network-based regression algorithm showed quite good training, testing and validation accuracies in terms of root mean square error (RMSE). The study revealed that presence of hydrogen induced corrosion fault (both as single corrosion fault or as simultaneous fouling and corrosion) led to false alarms thereby prompting other wrong faults during fault detection and isolation modules. Additionally, performance of fault identification module for hydrogen fuel scenario was found to be marginally lower than that of natural gas case due to assuming small magnitudes of faults arising from hydrogen induced corrosion.
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 | 0,001 |
| 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