SavedAdd your journal

Journals / Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi / 2021 / Cilt: 14 - Sayı: 1

Torque Prediction Based Performance Analysis of Small-Scale Wind Turbines Using Data Driven Modelling Methods

Veriye Dayalı Modelleme Yöntemleri Kullanarak Küçük Ölçekli Rüzgar Türbinlerinin Tork Tahmin Tabanlı Performans Analizi

Muhammed Serdar KALELİ
Ali Rıza KALELİ
Cahit YALÇINER
Pages
260–269
Publication Date
2021-03-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, rüzgar türbinlerinin rotor torku, tasarlanan küçük ölçekli Savonius ve dört yaprak rotor için toplanan gerçek zamanlı verilere dayanan makine öğrenme yaklaşımı kullanılarak tahmin edilmiştir.
📊
Key Findings & Data:Uç hız oranı (TSR), makine öğrenimi modelleme tekniğinde doğrusal regresyon (LR), destek vektör makinesi (SVM) regresyonu ve Gauss işlemi (GP) regresyon yöntemlerinde ana giriş parametresi olarak seçilmiştir.
💡
Conclusion & Impact:Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.
🔬Design:Survey & Empirical Study
📍Scope:Comprehensive Sample
⚙️Variables:Savonius türbini · Dört Yapraklı Türbin · Savonius turbine

Abstract

Bu çalışmada, rüzgar türbinlerinin rotor torku, tasarlanan küçük ölçekli Savonius ve dört yaprak rotor için toplanan gerçek zamanlı verilere dayanan makine öğrenme yaklaşımı kullanılarak tahmin edilmiştir. Uç hız oranı (TSR), makine öğrenimi modelleme tekniğinde doğrusal regresyon (LR), destek vektör makinesi (SVM) regresyonu ve Gauss işlemi (GP) regresyon yöntemlerinde ana giriş parametresi olarak seçilmiştir. Bu modellerin hiperparametreleri ızgara arama yöntemi ile tanımlanmıştır. RMSE, R2, MSE ve MAE, modellerin deneysel verilere tahimin performansını değerlendirmek için kullanılmıştır. Rotor tork modelleme sonuçları, rüzgar türbinlerinin verimliliğinin modellerin yüksek tahmin doğruluğu ile en üst düzeye çıkarılabileceğini göstermiştir. Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.

Özet

Bu çalışmada, rüzgar türbinlerinin rotor torku, tasarlanan küçük ölçekli Savonius ve dört yaprak rotor için toplanan gerçek zamanlı verilere dayanan makine öğrenme yaklaşımı kullanılarak tahmin edilmiştir. Uç hız oranı (TSR), makine öğrenimi modelleme tekniğinde doğrusal regresyon (LR), destek vektör makinesi (SVM) regresyonu ve Gauss işlemi (GP) regresyon yöntemlerinde ana giriş parametresi olarak seçilmiştir. Bu modellerin hiperparametreleri ızgara arama yöntemi ile tanımlanmıştır. RMSE, R2, MSE ve MAE, modellerin deneysel verilere tahimin performansını değerlendirmek için kullanılmıştır. Rotor tork modelleme sonuçları, rüzgar türbinlerinin verimliliğinin modellerin yüksek tahmin doğruluğu ile en üst düzeye çıkarılabileceğini göstermiştir. Öte yandan, Savonius tipi rüzgar türbininin torkunun dört yapraklı türbinden daha yüksek olduğu gözlemlenmiştir.

🔖

Cite This Article

KALELİ, M. S., KALELİ, A. R., YALÇINER, C. (2021). Torque Prediction Based Performance Analysis of Small-Scale Wind Turbines Using Data Driven Modelling Methods. Erzincan Üniversitesi Fen Bilimleri Enstitüsü Dergisi, Cilt: 14 - Sayı: 1, 260–269. https://ajindex.com/articles/234284

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Al-Shamisi, M. H., Assi, A. H., & Hejase, H. A. N. (2013). Artificial neural networks for predicting global solar radiation in Al Ain City - UAE. International Journal of Green Energy, 10(5), 443–456. https://doi.org/10.1080/15435075.2011.641187
  2. Fujisawa, N., & Gotoh, F. (1994). Experimental study on the aerodynamic performance of a Savonius rotor. Gasch, R., & Twele, J. (2012). Wind power plants: Fundamentals, design, construction and operation, second edition. In Wind Power Plants: Fundamentals, Design, Construction and Operation, Second Edition. https://doi.org/10.1007/978-3-642-22938-1 GWEC (Global Wind Energy Council). (2017). Global Wind Report 2016.
  3. In Wind energy technology. Hafner, M., & Isermann, R. (2003). Multiobjective optimization of feedforward control maps in engine management systems towards low consumption and low emissions. Transactions of the Institute of Measurement and Control, 25(1), 57–74. https://doi.org/10.1191/0142331203tm074oa
  4. Hayashi, T., Li, Y., & Hara, Y. (2005). Wind tunnel tests on a different phase three-stage Savonius rotor. JSME International Journal, Series B: Fluids and Thermal Engineering, 48(1), 9–16. https://doi.org/10.1299/jsmeb.48.9
  5. Kalogirou, S. A. (2000, December 1). Artificial neural networks in renewable energy systems applications: A review. Renewable and Sustainable Energy Reviews, Vol. 5, pp. 373–401. https://doi.org/10.1016/S1364-0321(01)00006-5
  6. Kawamura T., Hayashi T., & Miyashita, K. (2001). Application of the Domain Decomposition Method to the Flow around the Savonius Rotor. Proc. of the 12th International Conference on Domain Decomposition Methods, 393–400.
  7. McWilliam, M., & Johnson, D. A. (2008). Velocity measurement of flow around model vertical axis wind turbines. International Journal of Green Energy, 5(1–2), 55–68. https://doi.org/10.1080/15435070701845691
  8. Russell, S., & Norvig, P. (2016). Artificial Intelligence: A Modern Approach, Global Edition. Pearson Education Limited. Sargolzaei, J., & Kianifar, A. (2009). Modeling and simulation of wind turbine Savonius rotors using artificial neural networks for estimation of the power ratio and torque. Simulation Modelling Practice and Theory, 17(7), 1290–1298. https://doi.org/10.1016/j.simpat.2009.05.003
  9. Shah, N., Zhao, P., Delvescovo, D., & Ge, H. (2019). Prediction of autoignition and flame properties for multicomponent fuels using machine learning techniques. SAE Technical Papers, 2019-April(April). https://doi.org/10.4271/2019-01-1049
  10. Wenehenubun, F.