Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu süreç birçok tasarım çalışmasında denenmiş ve kullanılan SMINLP optimizasyon tekniği amaç fonksiyonunu QS, PS ve SNLP’e göre % 3-%15 aralığında daha idealleştirmektedir.
📌 3 Maddede Bu Makale
Özet
Enerji üretiminde kullanılan generatörlerin tasarımı oldukça karmaşık ve deneyim gerektiren bir süreçtir. Çıkık kutuplu senkron hidrogeneratörlerin tasarımları bir barajdan diğerine farklılık gösterebilir. Otomatik optimizasyon işlemi çok istenen bir süreçtir, çünkü tasarımcılar aynı makine tipinde çok az tecrübeye sahiptirler. Sunulan bu çalışma da amaç fonksiyonuna en büyük etki sağlayan değişkenler ana tasarım değişkenleri olarak kabul edilmiştir. Optimizasyon tasarım modeli üç boyutlu olarak geçici zaman ve dinamik analiz koşullarında birbirine bağlı karma nonlineer değişkenlerden oluşturulmuştur. Optimizasyon süreci boyunca nonlineer karma değişkenler ardışık olarak amaç fonksiyonunu lineerleştirmeye çalışmaktadır. Bu yöntem çok etkilidir, çünkü amaç fonksiyonu tamamıyla birbirine bağlı değişkenlerden oluşmaktadır. Bu yüzden optimum değerler sürekli belirlenen sınır aralığı içinde bulunmaktadır. Bu süreç birçok tasarım çalışmasında denenmiş ve kullanılan SMINLP optimizasyon tekniği amaç fonksiyonunu QS, PS ve SNLP’e göre % 3-%15 aralığında daha idealleştirmektedir.
Abstract
The designs of salient pole generators may differ considerably from one hydroelectric plant to another and it is complex and need to experiment to design of hydro-generator Automatic optimization procedure is highly desirable, because the designer may have little experience with a similar machine. The presented study; design space have been constituted nonlinear mixed variables which have the largest influence on the goal function at transient and dynamic analysis conditions. The optimization process is based on successive linearization of the goal function and the nonlinear mixed variables followed by a sequential procedure. The process is highly effective because the goal function is consist of nonlinear mixed variable, for this reason the optimum value is always on the boundary of the feasibility region. The procedure has been tested on a number of earlier designs. The goal function results could have been improved by using SMINLP and results are idealized better than QS, PS and SNLP between about % 3-%15 percent.