An Artificial Neural Network-Based Fault Diagnostics Approach for Hydrogen-Fueled Micro Gas Turbines
Notice bibliographique
Résumé
The utilization of hydrogen fuel in gas turbines brings significant changes to the thermophysical properties of flue gas, including higher specific heat capacities and an enhanced steam content. Therefore, hydrogen-fueled gas turbines are susceptible to health degradation in the form of steam-induced corrosion and erosion in the hot gas path. In this context, the fault diagnosis of hydrogen-fueled gas turbines becomes indispensable. To the 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 the MATLAB environment. Prior to the fault detection, isolation, and identification modules, physics-based performance data of a 100 kW micro gas turbine (MGT) were synthesized using the GasTurb tool. An ANN-based classification algorithm showed a 96.2% classification accuracy for the fault detection and isolation. Moreover, the feedforward neural network-based regression algorithm showed quite good training, testing, and validation accuracies in terms of the root mean square error (RMSE). The study revealed that the presence of hydrogen-induced corrosion faults (both as a single corrosion fault or as simultaneous fouling and corrosion) led to false alarms, thereby prompting other incorrect faults during the fault detection and isolation modules. Additionally, the performance of the fault identification module for the hydrogen fuel scenario was found to be marginally lower than that of the natural gas case due to assumption of 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.
Comment cette classification a été obtenuedéplier
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 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».