Life Damage Online Monitoring Technology of a Steam Turbine Rotor Start-Up Based on an Empirical-Statistical Model
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
In order to achieve fast and accurate life damage online monitoring of the steam turbine rotor, it was significant to propose an empirical-statistical model using a machine learning algorithm instead of finite element simulation to improve the effect of operation. The finite element method was used to calculate the maximum stress during the start-up schedule. The linear CDM (Continuum Damage Mechanics) and nonlinear CDM were applied to assess the creep-fatigue damage of the steam turbine rotor. A empirical-statistical model of a 600 MW steam turbine rotor was established by using temperature change rate and maximum stress according to the finite element result samples, which is proposed by compared R2 of SVR (Support Vector Regression), LSTM (Long Short-Term Memory) and RRM (Ridge Regression Method), which was also verified by finite element simulation under a random start-up parameters. The results showed that the creep-fatigue damage could be calculated by nonlinear CDM for more safety rather than linear CDM. The R2 of SVR (Support Vector Regression), LSTM (Long Short-Term Memory) and RRM were 0.9377, 0.9647 and 0.999, respectively. RRM was more suitable for the empirical-statistical model establishment of the steam turbine rotor. By comparing the empirical-statistical model result and finite element result under random parameters of the start-up schedule, the error is 0.51%.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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