Multi‐Objective Optimization of a Spherical Thermal Storage Tank Using a Student Psychology‐Based Approach
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
ABSTRACT Energy storage technologies often store heat, with water as a preferred medium due to its availability and low cost. However, maintaining water in a liquid state at high temperatures requires large pressure vessels, posing significant design challenges. Balancing thermal storage capacity with pressure constraints is essential. This paper explores the dynamics of thermal storage water tanks, aiming to optimize their design using a multi‐criteria approach. An equilibrium thermodynamic model was developed to evaluate the impact of geometric structure and operating parameters. The results show that optimizing a single variable is insufficient to minimize pressure swing, reduce heat loss, and maximize storage capacity. To address these trade‐offs, a multi‐objective student psychology‐based optimization (SPBO) algorithm was employed for three‐objective optimization, outperforming particle swarm optimization (PSO) in convergence. The technique for order preference by similarity to ideal solution (TOPSIS) method was applied to the Pareto frontier, yielding ideal solutions using both data‐driven and manually weighted approaches. Compared with the initial design, the data‐driven weighted (entropy‐weighted and coefficient of variation methods) optimal designs improved all objectives, reducing pressure swing by 12.8% and 19.8%, respectively. A manually weighted approach reduced pressure swing by up to 86.7%, albeit with a decrease in thermal storage capacity.
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 | 0,001 | 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