Prediction of double-regulated hydraulic turbine on-cam energy characteristics by artificial neural networks approach

Bozic, I.; Jovanović, Radiša

doi:10.5937/fmet1602125b

Cited by 10 publications

(2 citation statements)

References 8 publications

(7 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The training of the ANN process forward and backward stage. In the forward phase, fixed synaptic weights for connections between neurons and propagate input signal through the network's layers until it reaches the output layer [28][29]. In the backward stage, generated an error signal by comparing the required response and network's output.…”

Section: Neural Networkmentioning

confidence: 99%

Artificial neural network-based modeling of surface roughness in machining of Multiwall Carbon Nanotube reinforced polymer (epoxy) nanocomposites

Kharwar¹,

Verma²

2020

FME Transactions

View full text Add to dashboard Cite

In the manufacturing process, the surface roughness acts as one of the vital response to define the machined product quality.This manuscript platforms on the modeling of surface roughness(Ra) during milling of Multiwall Carbon Nanotube (MWCNT) reinforced polymer nanocomposites using an artificial neural network (ANN). ANN developed as a costeffective approximation module that is competent of self-learning and pliable to complicated data variables.Taguchi based L27 orthogonal design was perfectly utilized to perform the machining operation. The consequence of process parameters, i.e., MWCNT (wt.%), Spindle speed (N), Feed rate(F), and depth of cut (D) have been investigated to attain the minimalRa of the machined samples.The ANOVA study shows that Feed rate(F) has the most significant (55.25%) parameters for Ra followed by Spindle speed (N), MWCNT weight percentage (wt.%), and depth of cut(D). The Feed forward back propagation network is used for the ANN model with TRAINLM and LEARNGDM functions used as training and learning algorithms.The selection of an adequate model based on the correlation coefficient (R 2), mean squared error (MSE), and the average percentage error (APE) was achieved. The designated model has high accuracy with R 2 > 99%, MSE < 0.2%, and APE < 3%,.Further,the plot between experiment value and predicted value shows the adequacy and feasibility of the proposed ANN model in the machining environment.

show abstract

Section: Neural Networkmentioning

confidence: 99%

Artificial neural network-based modeling of surface roughness in machining of Multiwall Carbon Nanotube reinforced polymer (epoxy) nanocomposites

Kharwar¹,

Verma²

2020

FME Transactions

View full text Add to dashboard Cite

show abstract

“…Једна од првих примена ових метода за одређивање експлоатационих карактеристика је дата у раду [23], где су комбиноване методе CFD прорачуна и неуронских мрежа. У радовима [24,25,26] су приказане и примењене методе неуронских мрежа и фази метода за предикцију и одређивање пропелерних и комбинаторских карактеристика Каплан турбине у немереним (непознатим) радним режимима, док су упоредним анализама са експерименталним резултатима извршене валидације и верификације примењених метода.…”

Section: слика 42 упоредни приказ резултата добијених мерењима предunclassified

Standardni i savremeni pristupi u određivanju energetskih karakteristika velikih i malih hidroelektrana

Božić

Jovanović

2018

Proceedings of the 31st International Congress on Process Industry

Self Cite

View full text Add to dashboard Cite

У области обновљивих извора енергије хидроенергија се сврстава у економски и еколошки прихватљиве изворе за чију се енергетску трансформацију примењују изузетно ефикасни и поуздани системи. Пројектовање и експлоатација таквих система у динамички тржишном орјентисаном окружењу захтевају континуално ажурирање и квалитетно одређивање битних енергетских карактеристика. Одређивање хидроенергетских потенцијала река, енергетско вредновање нових и ревитализованих малих и великих хидроелектрана и предикција производње електричне енергије у њима се врше на основу бројних критеријума, помоћу енергетских и економских показатеља и коришћењем различитих методолошких приступа. Предуслов за добијање поузданих података и ваљане предикције, независно од примењене методологије, заснива се на добром познавању хидролошких прилика, експлоатационих карактеристика хидроагрегата у широкој радној области и промене потрошње у времену. Електроенергетска производња у хидроелектранама је превасходно заснована на показатељима хидролошких и метеоролошких услова који су по свом карактеру стохастичке, нестационарне и неравномерне величине. Потрошња као квантитативан параметар припада истој категорији величина, док се у хидроелектране уграђују турбине чије се експлоатационе карактеристике одређују опсежним и изузетно скупим експерименталним испитивањима. Постојећи стандарди дефинишу услове, процедуре и поступке мерења, мерну опрему, обраду и анализу резултата мерења у зависности од врсте захтеваних испитивања. У циљу рационализације услова за добијање карактеристика хидрауличних турбина све више се примењују савремени нумерички експерименти засновани на несавршеним нумеричким симулацијама струјања. Последњих година, примена метода вештачких неуронских мрежа за одређивање поузданих параметара хидрауличних турбина, предикцију производње и оптимизацију рада хидроелектрана показује своја преимућства. У раду су приказане уобичајене методе које прописују стандарди за лабораторијско и теренско испитивање великих и малих хидроелектрана, као трендови коришћења савремених приступа, указујући на њихове предности и недостатке.

show abstract

Turbine Hill Chart Generation Using Artificial Neural Network

Filho

Ribeiro²,

Carvalho

et al. 2021

Advances in Intelligent Systems Research and Innovation

View full text Add to dashboard Cite

Prediction of double-regulated hydraulic turbine on-cam energy characteristics by artificial neural networks approach

Cited by 10 publications

References 8 publications

Artificial neural network-based modeling of surface roughness in machining of Multiwall Carbon Nanotube reinforced polymer (epoxy) nanocomposites

Artificial neural network-based modeling of surface roughness in machining of Multiwall Carbon Nanotube reinforced polymer (epoxy) nanocomposites

Standardni i savremeni pristupi u određivanju energetskih karakteristika velikih i malih hidroelektrana

Turbine Hill Chart Generation Using Artificial Neural Network

Contact Info

Product

Resources

About