40,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in 1-2 Wochen
payback
20 °P sammeln
  • Broschiertes Buch

Hoy en día, los motores de turbina de gas (GTE) se utilizan ampliamente en motores a reacción, plataformas de yacimientos petrolíferos, centrales eléctricas, refinerías, plantas petroquímicas y estaciones de gas para la generación de energía. Una de las mejores estrategias para fabricar GTE con mayor eficiencia, durabilidad y fiabilidad es emplear técnicas de modelización y simulación. Hasta la fecha se han realizado notables estudios en el ámbito de la modelización de GTE basada en datos, cada uno con sus propias ventajas y limitaciones. El resultado de estas actividades ha tenido importantes…mehr

Produktbeschreibung
Hoy en día, los motores de turbina de gas (GTE) se utilizan ampliamente en motores a reacción, plataformas de yacimientos petrolíferos, centrales eléctricas, refinerías, plantas petroquímicas y estaciones de gas para la generación de energía. Una de las mejores estrategias para fabricar GTE con mayor eficiencia, durabilidad y fiabilidad es emplear técnicas de modelización y simulación. Hasta la fecha se han realizado notables estudios en el ámbito de la modelización de GTE basada en datos, cada uno con sus propias ventajas y limitaciones. El resultado de estas actividades ha tenido importantes repercusiones en la optimización y reducción de costes de los procesos de diseño y fabricación, así como en la mejora de la supervisión del estado, el funcionamiento, el diagnóstico de averías y la planificación del mantenimiento de estos sistemas. Este libro investiga y compara nuevos modelos lineales y no lineales de motores de turbina de gas basados en datos. Los modelos lineales consisten en modelos Ridge, Lasso y Multi-Task Elastic-Net, que se construyen a partir de regresiones lineales. Se establece y valida un modelo no lineal del sistema empleando redes neuronales recurrentes (RNN). Se demuestra que el modelo RNN resultante puede aplicarse de forma fiable para la predicción del rendimiento del motor siguiendo los cambios en las entradas del sistema.
Autorenporträt
HAMID ASGARI ha conseguito il dottorato di ricerca in Ingegneria meccanica presso l'Università di Canterbury (UC) in Nuova Zelanda. Ha lavorato come ricercatore in centri di ricerca internazionali. Le sue competenze di ricerca riguardano l'analisi dei dati, l'apprendimento automatico, l'apprendimento profondo, la dinamica dei sistemi e la "modellazione, simulazione e controllo" dei sistemi industriali.