Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal do ABC (UFABC) | - |
Autor(es): dc.contributor | Cemig Generation and Transmission | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Universidade de São Paulo (USP) | - |
Autor(es): dc.creator | Da Silva, Thadeu Carneiro | - |
Autor(es): dc.creator | Da Silva Antunes, Fabio Augusto | - |
Autor(es): dc.creator | Teixeira, Julio Carlos | - |
Autor(es): dc.creator | Contreras, Rodrigo Colnago | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:16:22Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:16:22Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2024-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/ACCESS.2025.3551241 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/301885 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/301885 | - |
Descrição: dc.description | Wind energy has emerged as a vital renewable source, competing with conventional energy due to its clean and inexhaustible nature. However, the global mass production of wind turbines often disregards the unique environmental conditions of installation sites, leading to performance and reliability challenges. This study applies machine learning methodologies to analyze the correlation between wind turbine failures and local environmental conditions. The research leverages Rough Set Theory to transform instances of undesirable turbine shutdowns - especially those influenced by incomplete tropicalization processes - into actionable decision rules. The findings provide practical insights applicable to wind farms worldwide, enabling optimized maintenance strategies and precise adjustments to protection parameters. These improvements contribute to reducing failure rates, enhancing energy conversion efficiency, and promoting the sustainable expansion of wind energy across diverse geographic and climatic contexts. | - |
Descrição: dc.description | Federal University of ABC (UFABC) Center for Engineering Modeling and Applied Social Sciences | - |
Descrição: dc.description | Cemig Generation and Transmission | - |
Descrição: dc.description | Institute of Biosciences Humanities and Exact Sciences São Paulo State University (UNESP) | - |
Descrição: dc.description | Institute of Science and Technology Federal University of São Paulo (UNIFESP) Department of Science and Technology | - |
Descrição: dc.description | Institute of Biosciences Humanities and Exact Sciences São Paulo State University (UNESP) | - |
Formato: dc.format | 50043-50058 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | IEEE Access | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | rough sets | - |
Palavras-chave: dc.subject | wind energy | - |
Palavras-chave: dc.subject | wind turbine failures | - |
Palavras-chave: dc.subject | wind turbine projects tropicalization | - |
Título: dc.title | Correlation Between Wind Turbine Failures and Environmental Conditions: A Machine Learning Approach | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: