A Novel Robust Control for Disturbed Uncertain Microbial Fuel Cell with Noisy Output
Notice bibliographique
Résumé
M icrobial fuel cell (M FC) is one of the most important renewable sources for energy supply and reduction of environmental pollution, which has affected by various adversities due to operating conditions.In this paper, there are several serious issues related to the stable operation of a microbial fuel cell that have considered in the design of the controller, including: 1-Nonlinear terms that are of hard type; 2-Uncertainty of the model which is of parametric type and includes changes in temperature, environment and concentration; 3-Disturbances into the system which are of both matched and unmatched types; 4-And noise on the fuel cell output which has different origins.Also, the nonlinear model of M FC has considered for a more accurate description of system dynamics.By using of output feedback, adaptive, and sliding mode methods, and developing an approximation based on chebyshev neural network, a novel robust hybrid technique has proposed for controlling M FC output voltage and power.Using chebyshev neural network which has a simple structure with a suitable computational volume, the uncertainties, disturbances and hard nonlinear terms have approximated, and the optimal weights of the approximation have obtained by designing adaptive laws.Also, the robust part of the controller eliminates the effects of estimation error and noise.The Lyapunov' s theory has used to ensure the stability of the closed-loop system.Furthermore, simulation in M ATLAB environment and making comparison with the recent three robust methods in a strong scenario shows the efficiency of the proposed control method.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».