Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Rambabu, V." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-2 z 2
    Tytuł:
    Investigation on performance of diesel engine using Al2O3 nanofluid as coolant
    Autorzy:
    Rambabu, V.
    Sai Chaitanya, P.
    Prasad Rao, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/102514.pdf
    Data publikacji:
    2017
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    coolants
    ethylene glycol
    nanofluids
    thermal conductivity
    water
    Opis:
    Water and ethylene glycol as ordinary coolants have been broadly utilized as a part of a car radiator for a long time. These heat exchange liquids offer low thermal conductivity. With the progression of nanotechnology, the new era of heat transfer fluids called, “nanofluids” have been developed and analysts found that these liquids offer higher thermal conductivity contrasted with that of routine coolants. This study concentrated on the utilization of a mixture of water and ethylene glycol based Al2O3 nanofluids in a cooling framework. Pertinent information, nanofluid properties and exact connections were obtained from literature review to examine the performance of a twin cylinder Diesel engine under various blends of nanofluid based coolants, furthermore, to research heat exchange improvement of a car radiator worked with nanofluid-based coolants. It was observed that, the performance of Diesel engine and heat transfer rate in cooling system framework enhanced with the utilization of nanofluids (with water and ethylene glycol the basefluid) contrasted with water and ethylene glycol (i.e. base liquid) alone. In the wake of leading the series of tests on Twin cylinder Diesel engine at 2%, 1% and 0.5% of nanofluid in basefluid, it was observed that performance of Diesel engine and heat exchange is upgraded better at 0.5% of Al2O3 nanofluid coolant.
    Źródło:
    Advances in Science and Technology. Research Journal; 2017, 11, 2; 58-64
    2299-8624
    Pojawia się w:
    Advances in Science and Technology. Research Journal
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A hybrid deep learning framework for modeling the short term global horizontal irradiance prediction of a solar power plant in India
    Hybrydowa struktura głębokiego uczenia do modelowania krótkoterminowych prognoz globalnego natężenia napromienienia poziomego elektrowni słonecznej w Indiach
    Autorzy:
    Rajaprasad, S. V. S.
    Mukkamala, Rambabu
    Powiązania:
    https://bibliotekanauki.pl/articles/27312530.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
    Tematy:
    global horizontal irradiance
    energy
    deep neural networks
    hybrid model
    globalne natężenie napromienienia poziomego
    energia
    głębokie sieci neuronowe
    model hybrydowy
    Opis:
    The rapid development of grid integration of solar energy in developing countries like India has created vital concerns such as fluctuations and interruptions affecting grid operations. Improving the consistency and accuracy of solar energy forecasts can increase the reliability of the power grid. Although solar energy is available in abundance around the world, it is viewed as an unpredictable source due to uncertain fluctuations in climate conditions. Global horizontal irradiance (GHI) prediction is critical to efficiently manage and forecast the power output of solar power plants. However, developing an accurate GHI forecasting model is challenging due to the variability of weather conditions over time. This research aims to develop and compare univariate LSTM models capable of predicting GHI in a solar power plant in India over the short term. The present study introduces a deep neural network-based (DNN) hybrid model with a combination of convolutional neural network bi-directional long short-term memory (CNN BiLSTM) to predict the one minute interval GHI of a solar power plant located in the southern region of India. The model’s effectiveness was tested using data for the month of January 2023. In addition, the results of the hybrid model were compared to the long short-term memory (LSTM) and BiLSTM deep-learning (DL) models. It has been observed that the proposed hybrid model framework is more accurate compared to the LSTM and BiLSTM architectures. Finally, a GHI prediction tool was developed to understand the trend of the results.
    Szybki rozwój integracji energii słonecznej z siecią elektroenergetyczną w krajach rozwijających się, takich jak Indie, wywołał istotne obawy, m.in. związane z wahaniami i przerwami wpływającymi na działanie sieci. Poprawa spójności i dokładności prognoz dotyczących energii słonecznej może zwiększyć niezawodność sieci energetycznej. Chociaż energia słoneczna jest dostępna w dużych ilościach na całym świecie, jest ona postrzegana jako nieprzewidywalne źródło ze względu na niepewne wahania warunków klimatycznych. Prognozowanie globalnego natężenia napromienienia horyzontalnego (GHI) ma kluczowe znaczenie dla efektywnego zarządzania i prognozowania mocy elektrowni słonecznych. Jednak opracowanie dokładnego modelu prognozowania GHI jest trudne ze względu na zmienność warunków pogodowych w czasie. Badania te mają na celu opracowanie i porównanie modeli LSTM zdolnych do przewidywania GHI w elektrowni słonecznej w Indiach w krótkim czasie. W niniejszym badaniu wprowadzono hybrydowy model oparty na głębokiej sieci neuronowej (DNN) z kombinacją dwukierunkowej konwolucyjnej sieci neuronowej z długą pamięcią krótkotrwałą (CNN BiLSTM) w celu przewidywania jednominutowych interwałów GHI elektrowni słonecznej zlokalizowanej w południowym regionie Indii. Skuteczność modelu została przetestowana przy użyciu danych za styczeń 2023 roku. Ponadto wyniki modelu hybrydowego porównano z modelami uczenia głębokiego (DL) z długą pamięcią krótkotrwałą (LSTM) i BiLSTM. Zaobserwowano, że proponowany model hybrydowy jest dokładniejszy w porównaniu do architektur LSTM i BiLSTM. Ostatecznie opracowano narzędzie do przewidywania GHI, aby zrozumieć trend wyników.
    Źródło:
    Polityka Energetyczna; 2023, 26, 3; 101--116
    1429-6675
    Pojawia się w:
    Polityka Energetyczna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-2 z 2

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies