A Neural Network-Based Model Predictive Approach for Controlled Electrochemical Green Ammonia Production
Notice bibliographique
Résumé
Green ammonia is a promising alternative to conventional ammonia production methods and has garnered increasing attention in recent years due to its potential to facilitate the transition toward sustainable energy systems. Moreover, green ammonia holds significant potential as a clean energy carrier for various applications, including transportation, energy storage, and fertilizer production. In large-scale commercial green ammonia production systems, an efficient and robust control strategy is required. Therefore, this research presents a novel Neural Network-based Model Predictive Control (NNMPC) approach for the regulation of the electrochemical ammonia synthesizer (EAS) output. The NNMPC utilizes the neural network model of the EAS to generate a control signal that makes the EAS ammonia output production can meet the ammonia demand. Unlike a traditional MPC, which uses a mathematical plant model for predictive optimization, an NN model demonstrates superior accuracy in encapsulating plant dynamics. As the volume of the plant input and output data increases, the precision of the NN model is further enhanced. Also, the NN model effectively addresses mathematical intricacies in MPC models, especially as plant complexities increase. Conversely, NN models’ intrinsic characteristics enable streamlined modeling of the complex EAS plant dynamics. The simulation results validate the efficacy of the NNMPC in controlling EAS ammonia production and meeting the demand, thereby highlighting its effectiveness in practical applications.
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 ».