A Type-2 Fuzzy Logic Expert System for AI Selection in Solar Photovoltaic Applications Based on Data and Literature-Driven Decision Framework
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
Artificial intelligence (AI) has emerged as a transformative tool for optimizing photovoltaic (PV) systems, enhancing energy efficiency, predictive maintenance, and fault detection. This study presents a systematic literature review and bibliometric analysis to identify the most commonly used AI techniques and their applications in PV systems. The review provides details on the advantages, limitations, and optimal use cases of various review techniques, such as Artificial Neural Networks, Fuzzy Logic, Convolutional Neural Networks, Long-Short Term Memory, Support Vector Machines, Decision Trees, Random Forest, k-Nearest Neighbors, and Particle Swarm Optimization. The findings highlight that maximum power point tracking (MPPT) optimization is the most widely researched AI application, followed by solar power forecasting, parameter estimation, fault detection and classification, and solar radiation forecasting. The bibliometric analysis reveals a growing trend in AI-PV research from 2018 to 2024, with China, the United States, and European countries leading in contributions. Furthermore, a type-2 fuzzy logic system is developed in MATLAB R2023b for automating AI technique selection based on the problem type, offering a practical tool for researchers, industry professionals, and policymakers. The study also discusses the practical implications of adopting AI in PV systems and provides future directions for research. This work serves as a comprehensive reference for advancing AI-driven solar PV technologies, contributing to a more efficient, reliable, and sustainable energy future.
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 | 0,002 |
| 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