Taguchi-based multi-factor analysis of self-starting behavior in vertical axis wind turbine farms
Notice bibliographique
Résumé
A key aspect of system sustainability is the efficient use of energy. In this context, vertical axis wind turbines (VAWTs) require critical evaluation due to their relatively low electricity generation and poor self-starting performance. Accordingly, the present study extensively assesses the start-up performance of a VAWT farm comprising three H-Darrieus wind turbines (WT-1, WT-2 and WT-3), using Computational Fluid Dynamics (CFD) in combination with the Taguchi method. Initially, the self-starting behavior of individual turbines with solidity values of 0.50, 0.75, and 1.00 was examined. Subsequently, a two-stage Taguchi analysis was conducted to investigate the influence of turbine and farm design parameters, specifically, the solidity of the turbines and their spatial arrangement. In the first stage, four factors at three levels were considered. The results at this stage indicated that minimizing the spacing between turbines improves self-starting performance. Following this, a second-stage Taguchi analysis was performed, incorporating a larger number of parameters to provide a more detailed evaluation of start-up performance in a wind farm configuration. This stage included six factors, each evaluated at three levels. The results demonstrated that the overall self-starting performance was enhanced by employing wind turbines with a solidity of σ = 1 . 00 . In addition, turbine spacing of 1 . 1 D was suggested as optimal for achieving improved start-up capability. Furthermore, to gain additional insight into the start-up behavior in a four-turbine arrangement, a fourth turbine (WT-4) was added to the optimal three-turbine configuration (P1). The results indicated that the inclusion of WT-4 improved the self-starting performance of WT-3.
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 | 0,001 | 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 | 0,000 |
| 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 ».