Developing a machine learning model for fast economic optimization of solar power plants using the hybrid method of firefly and genetic algorithms, case study: optimizing solar thermal collector in Calgary, Alberta
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
<p>Due to the depletion of fossil fuels and environmental concerns, renewable energy has become increasingly popular. Even so, the economic competitiveness and cost of energy in renewable systems remain a challenge. Optimization of renewable energy systems from an economic standpoint is important not only from the point of view of researchers but also industry owners, stakeholders, and governments. Solar collectors are one of the most optimized and developed renewable energy systems. However, due to the high degree of nonlinearity and many unknowns associated with these systems, optimizing them is an extremely time-consuming and expensive process. This study presents an economically optimal design platform for solar power plants with a fast response time using machine learning techniques. Compared with traditional mathematical optimization, the speed of economic optimization with the help of the machine learning method increased by up to 1100 times. A total of seven continuous variables and three discrete variables were selected for optimization of the parabolic trough solar collector. The objective functions were to optimize the exergy efficiency and the heat cost. As part of the environmental assessment, the cost of carbon dioxide emission was calculated based on the system's exergy and energy efficiencies. According to the sensitivity analysis, the mass flow of working fluid and the initial temperature of the fluid play the most significant roles. A simulated solar collector in Calgary was optimized in order to evaluate the applicability of the proposed platform.</p>
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 | 0,000 |
| 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 découle