Sj 138 Slot – Pemodelan nonlinier dan kinerja pembangkit listrik penyimpanan pompa berkecepatan variabel ganda dengan mempertimbangkan karakteristik turbin pompa nonlinier.
Kebijakan Akses Terbuka Program Akses Terbuka Institusi Pedoman Edisi Khusus Proses Editorial Etika Penelitian dan Publikasi Biaya Pemrosesan Artikel Hasil Sejawat
Sj 138 Slot
Semua artikel diterbitkan dan tersedia di seluruh dunia di bawah lisensi sumber terbuka. Penggunaan kembali seluruh atau sebagian teks yang diterbitkan, termasuk gambar dan tabel, tidak memerlukan izin khusus. Untuk artikel yang diterbitkan di bawah lisensi Creative Commons CC BY, bagian mana pun dari artikel tersebut boleh digunakan kembali tanpa izin, selama teks aslinya dikutip dengan jelas. Untuk informasi lebih lanjut, kunjungi https:///openaccess.
The Two Stage Process In Visual Working Memory Consolidation
Makalah berkualitas mewakili penelitian berkualitas tertinggi dengan potensi dampak signifikan terbesar di lapangan. Makalah Fitur harus berupa artikel asli berukuran besar yang mencakup beberapa metode atau pendekatan, memberikan gambaran umum tentang arah penelitian di masa depan, dan menjelaskan potensi penerapan penelitian.
Naskah diserahkan atas undangan pribadi atau rekomendasi editor ilmiah dan harus mendapat tanggapan positif dari reviewer.
Artikel Pilihan Editor didasarkan pada rekomendasi editor jurnal ilmiah di seluruh dunia. Para editor memilih sejumlah kecil artikel yang baru-baru ini diterbitkan di jurnal, menarik bagi pembaca, atau penting bagi bidang penelitian. Tujuannya adalah untuk meninjau beberapa karya menarik yang diterbitkan di berbagai bidang penelitian jurnal.
Dong-Young Koh Dong-Young Koh Scilit Preprints.org Google Cendekia 1 , Sung-Jun Jung Sung-Jun John Scilit Preprints.org Google Cendekia 1 Seog-Young Han Seog-Young Han Scilit Preprints.org Google Cendekia 2, *
Pdf) Dual Energy Ct In Gout Patients: Do All Colour Coded Lesions Actually Represent Monosodium Urate Crystals?
Diterima: 28 April 2022 / Direvisi: 17 Mei 2022 / Diterima: 2 Juni 2022 / Diterbitkan: 4 Juni 2022
Kami menyajikan metode untuk memprediksi kinerja motor induksi sangkar geser tiga fase berdasarkan struktur slot rotor menggunakan algoritma jaringan saraf konvolusional (CNN) yang diadaptasi menggunakan data gambar. Kumpulan perubahan performa dicatat menurut setiap gambar kumpulan data pelatihan, dan kumpulan ini terdiri dari efisiensi, faktor daya, torsi awal, dan torsi rata-rata. Untuk mengetahui validitas model deep learning yang dilatih, hasil estimasi dan prediksi model CNN dibandingkan dan divalidasi dengan sembilan bentuk sel sangkar ganda yang tidak terlatih dan bentuk halus berdasarkan root mean square (RMSE). Meskipun sejumlah besar data pelatihan diperlukan agar gambar saat ini memiliki akurasi tinggi untuk mengembangkan model pembelajaran mendalam, metode pembelajaran mendalam yang diusulkan dapat memprediksi perilaku struktur yang berbeda dengan tingkat akurasi yang sama dalam hasil analisis. obyek. Jumlah data. Oleh karena itu, diharapkan dapat digunakan dalam berbagai bidang teknik.
Motor menyumbang lebih dari 60% konsumsi energi, dan motor induksi menyumbang lebih dari 70% total konsumsi motor [1]. Motor induksi secara garis besar dapat digolongkan menjadi motor induksi sangkar garis dan motor induksi kawat, dimana motor induksi sangkar mempunyai keunggulan dibandingkan motor induksi kawat dalam hal perawatan dan perbaikannya. Lebih dari 90% motor listrik di industri memiliki motor asinkron tiga fasa, yang banyak digunakan pada peralatan rumah tangga dan berbagai industri karena strukturnya yang sederhana, daya tahan dan biaya produksi yang rendah [2, 3]. Untuk meningkatkan kinerja motor asinkron seluler tiga fasa, dilakukan penelitian pada struktur rotor dan sel stator [4, 5, 6]. Telah terbukti bahwa hanya bentuk slot rotor yang mempunyai pengaruh signifikan terhadap kinerja motor induksi [7, 8, 9]. Dalam banyak metode desain motor induksi, penting untuk menemukan solusi dengan meminimalkan kesalahan melalui banyak iterasi, yang menyebabkan waktu perhitungan yang besar dan biaya perhitungan yang tinggi [10, 11]. Selain itu, metode penghitungan yang lama tidak disimpan dan digunakan untuk analisis di masa mendatang, meskipun analisis struktur yang sama masih memakan waktu. Untuk mengatasi permasalahan tersebut, perlu diterapkan metode deep learning yang dapat memprediksi makna hasil berdasarkan informasi dengan menggunakan sampel data masa lalu dan membaca catatan untuk analisis di masa mendatang.
Pembelajaran mendalam adalah cabang kecerdasan buatan dan proses mempelajari pola data dan konten bermakna dari sejumlah besar data. Model jaringan saraf dalam mencakup jaringan saraf dalam (DNN), jaringan saraf konvolusional (CNN), dan jaringan saraf berulang (RNN). CNN digunakan dalam penelitian ini; CNN terdiri dari satu atau lebih lapisan konvolusional dan dicirikan oleh penggunaan lapisan pengelompokan dan lapisan yang terhubung dengan baik. Karena karakteristik ini, CNN efektif dalam mengekstraksi dan mempelajari fitur dari data gambar [12, 13, 14]. CNN awalnya dikembangkan oleh Fukushima dan Miyake [14] dengan inspirasi dari penelitian ilmu saraf. Lekun dkk. [12] menguji pengenalan angka tulisan tangan menggunakan CNN. Metode pembelajaran jaringan menggunakan backpropagation yang dikemukakan oleh [15] menjadi bentuk CNN pertama yang masih digunakan hingga saat ini. Kemudian dikembangkan sebagai metode untuk mempelajari parameter jaringan dari data pelatihan berukuran besar menggunakan metode backpropagation yang mencakup beberapa lapisan konvolusi, lapisan penggabungan, dan lapisan pra-penggabungan. Dengan demikian, CNN telah digunakan di banyak bidang penelitian berbasis data gambar seperti robotika, pemrosesan bahasa alami, dan kendaraan otonom, dan telah digunakan di berbagai bidang seperti desain kendaraan, pengoptimalan, dan deteksi kejahatan. Sasaki dan Igarashi [16] melakukan optimasi bagian menggunakan CNN sebagai data pelatihan menggunakan bagian motor magnet permanen yang direpresentasikan dalam RGB. Asanuma dkk. [17] melakukan optimasi motor magnet permanen menggunakan pembelajaran transfer untuk mengurangi biaya komputasi optimasi bagian berdasarkan algoritma genetika. Chattopadhyay dkk. [18] mengusulkan model CNN dengan peningkatan 3~10% dibandingkan dengan metode deteksi kesalahan motor induksi. Dalam penelitian-penelitian di atas, metode deep learning digunakan untuk mendukung analisis data, dan selalu diperoleh hasil akhir untuk perbandingan. Untuk meningkatkan ini, Gabdullin dkk. [19] mengusulkan model pembelajaran mendalam untuk memprediksi hasil akhir tanpa menggunakan simulasi dengan CNN dan memprediksi kurva torsi sesuai dengan perubahan bentuk motor magnet permanen dengan akurasi lebih dari 90%.
Experimental Study On Effects Of Fiber Cutting Angle In Milling Of High Strength Unidirectional Carbon Fiber–reinforced Polymer Laminates
Namun pada penelitian-penelitian sebelumnya di bidang teknik elektro yang memprediksi kinerja menggunakan metode deep learning, kinerja tersebut hanya konsisten dengan berbagai jenis prediksi untuk struktur tetap. Dengan kata lain, ini adalah asumsi yang didasarkan pada pengukuran bentuk konstan dan tidak ada studi perubahan bentuk yang dilakukan. Untuk memperoleh hasil prediksi bentuk yang berbeda-beda, akurasi yang tinggi dapat dicapai dengan mempelajari suatu bentuk yang mirip dengan bentuk prediksi. Namun jika deep learning tidak dapat digunakan karena kurangnya data pelatihan, maka segala bentuk pembelajaran memiliki keterbatasan. Diketahui bahwa permasalahan di atas dapat diselesaikan dengan mempelajari informasi dari beberapa angka dan memprediksi angka yang berbeda. Oleh karena itu, dalam penelitian ini kami ingin mengusulkan evaluasi struktur terintegrasi yang tidak dieksplorasi oleh data pelatihan yang terdiri dari struktur tertentu.
Dalam penelitian ini, algoritma CNN digunakan dan efisiensi, faktor daya, torsi rata-rata, dan torsi awal ditetapkan sebagai parameter kinerja. Untuk memverifikasi bahwa CNN dengan benar mempelajari pola pergerakan menurut bentuk sel, data pelatihan dibagi menjadi tiga bagian menurut bentuknya, dan data validasi terdiri dari bentuk sel rotor yang belum dipelajari. Kode sumber terbuka Analisis Elemen Hingga 2D berdasarkan MATLAB [20] digunakan untuk mendapatkan perilaku konformal struktur. Dengan membuat jenis bentuk yang berbeda untuk setiap bentuk, bentuk rotor dihasilkan secara acak dalam kumpulan, sehingga gambar dan hasil analisis yang sesuai diklasifikasikan sebagai nominal. Selain itu, untuk memastikan keakuratan nilai prediksi berbagai parameter nilai absolut, dilakukan optimasi dengan metode lain.
Kami telah mencoba memprediksi hasil berdasarkan model perubahan kinerja sesuai dengan struktur sel yang dipelajari melalui data sebelumnya dan riwayat pelatihan. Penyiapan ini memungkinkan analisis masa depan menggunakan teknik pembelajaran mendalam. Dengan melatih CNN dengan 7500 titik data dari 11 struktur pelatihan, dimungkinkan untuk memperoleh nilai prediksi yang mirip dengan analisis elemen hingga dari data validasi.
Sesuai dengan karakteristik data pelatihan yang digunakan dalam pembelajaran mendalam, model yang sesuai harus dipilih. Dalam penelitian ini, data gambar yang sesuai digunakan untuk menunjukkan berbagai bentuk slot rotor motor induksi. Untuk tujuan ini, model CNN digunakan, yang dapat dipelajari dengan melestarikan informasi spasial dari gambar. Untuk mempelajari data berdimensi tinggi, proses mengubahnya menjadi bentuk matriks datar satu dimensi adalah penting [13], dan informasi spasial dari data tersebut mungkin hilang.