Name: Datengestützte Modellierung von Gasturbinentriebwerken (en Alemán)
Price: 290.50 PEN
Availability: InStock
Author: Asgari, Hamid
ISBN: 9786206068068

portada Datengestützte Modellierung von Gasturbinentriebwerken (en Alemán)

Formato

Libro Físico

Autor

Hamid Asgari

Editorial

Verlag Unser Wissen

Idioma

Alemán

N° páginas

Encuadernación

Tapa Blanda

Dimensiones

22.9 x 15.2 x 0.5 cm

Peso

0.13 kg.

ISBN13

9786206068068

Categorías

Ingeniería: general

Datengestützte Modellierung von Gasturbinentriebwerken (en Alemán)

Hamid Asgari (Autor) · Verlag Unser Wissen · Tapa Blanda

Libro Nuevo

S/ 290,50

S/ 580,99

Ahorras: S/ 290,50

50% descuento

Envío normal

Origen: Estados Unidos (Costos de importación incluídos en el precio)

Se enviará desde nuestra bodega entre el Lunes 22 de Julio y el Miércoles 31 de Julio.

Lo recibirás en cualquier lugar de Perú entre 2 y 5 días hábiles luego del envío.

Reseña del libro "Datengestützte Modellierung von Gasturbinentriebwerken (en Alemán)"

Heutzutage werden Gasturbinenmotoren (GTE) in gro em Umfang in Düsentriebwerken, Ölfeldplattformen, Kraftwerken, Raffinerien, petrochemischen Anlagen und Gaskraftwerken zur Stromerzeugung eingesetzt. Eine der besten Strategien zur Herstellung von GTE mit höherer Effizienz, Haltbarkeit und Zuverlässigkeit ist der Einsatz von Modellierungs- und Simulationstechniken. Auf dem Gebiet der datengesteuerten Modellierung von GTE wurden bisher bemerkenswerte Studien durchgeführt, die jeweils ihre eigenen Vorteile und Grenzen haben. Die Ergebnisse dieser Arbeiten haben erhebliche Auswirkungen auf die Optimierung und Kostenreduzierung von Konstruktions- und Fertigungsprozessen sowie auf Verbesserungen bei der Zustandsüberwachung, dem Betrieb, der Fehlerdiagnose und der Wartungsplanung dieser Systeme gehabt. In diesem Buch werden neuartige lineare und nichtlineare datengesteuerte Modelle für Gasturbinentriebwerke untersucht und miteinander verglichen. Die linearen Modelle bestehen aus Ridge-, Lasso- und Multi-Task-Elastic-Net-Modellen, die auf linearen Regressionen beruhen. Ein nichtlineares Modell des Systems wird durch den Einsatz von rekurrenten neuronalen Netzen (RNN) erstellt und validiert. Es wird gezeigt, dass das resultierende RNN-Modell zuverlässig für die Leistungsvorhersage des Motors verwendet werden kann, indem es Änderungen der Systemeingänge verfolgt.