Efficiency-Driven Supervised Learning Regressors in Power Modeling and Optimization of Vertical Axis Wind Turbines
Notice bibliographique
Résumé
Abstract Of all the clean energy sources, wind power stands as the most widely available and employed form. Besides the Horizontal Axis Wind Turbines (HAWT), Vertical Axis Wind Turbines (VAWT) are attracting significant attention. This study focuses on optimizing a 12-kW lift-based 3-blade VAWT by introducing an optimal diffuser to enhance performance using two optimization procedures. To do that, a nonsymmetric diffuser in the shape of NACA4405 is introduced to the VAWT which is simulated using Computational Fluid Dynamics (CFD) and validated with experimental data. To optimize the power coefficient (Cp) of the VAWT, adjustments will be made to the position and orientation of both the upper and lower walls of diffuser. Two optimization methods were employed: one involves direct optimization, where a Genetic Algorithm (GA) is integrated with CFD. The second method utilizes Machine Learning (ML) models, such as Gaussian Process Regression (GPR), Support Vector Regression (SVR), and AdaBoost, fitted to the data set extracted from CFD. These ML models then replace CFD and are used in optimization. Results show that optimal diffuser can contribute to 27% increase in Cp. When employing GPR and AdaBoost, the optimal Cp values closely match those from direct optimization while optimization using ML models reduces computational costs by nearly 78% fewer simulation runs.
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 ».