Aplicação de redes neurais na otimização de dutos de sucção de turbinas Francis

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Raquel da Cunha Ribeiro da-
Autor(es): dc.contributorOliveira, Dhaianny Guizoni de-
Autor(es): dc.contributorSilva, Raquel da Cunha Ribeiro da-
Autor(es): dc.contributorOliveira, Dhaianny Guizoni de-
Autor(es): dc.contributorHolzmann, Henrique Ajuz-
Autor(es): dc.creatorOliveira, Eduardo Fabian de-
Data de aceite: dc.date.accessioned2025-08-29T11:55:15Z-
Data de disponibilização: dc.date.available2025-08-29T11:55:15Z-
Data de envio: dc.date.issued2025-07-17-
Data de envio: dc.date.issued2025-07-17-
Data de envio: dc.date.issued2025-06-17-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/37514-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1085715-
Descrição: dc.descriptionThis study proposes the application of artificial neural networks to optimize the performance of Francis turbines, with particular emphasis on draft tube efficiency. The research is motivated by the need to enhance the energy efficiency of these systems, supporting sustainable power generation in alignment with the sustainable development goals. The methodology integrates computational fluid dynamics (CFD) simulations with machine learning techniques, utilizing operational data from a Francis turbine provided by HACKER Industrial, with specific evaluation focused on the NW parameter. The results demonstrate neural networks' capability to optimize critical performance parameters of the draft tube, presenting an innovative approach for hydraulic system optimization. The study highlights the promising potential of combining computational modeling with artificial intelligence as an advanced tool for the renewable energy sector.-
Descrição: dc.descriptionEste estudo propõe a aplicação de redes neurais artificiais para otimização do desempenho de turbinas francis, com ênfase no duto de sucção. A pesquisa justifica-se pela necessidade de aprimorar a eficiência energética desses sistemas, contribuindo para a geração sustentável de energia em linha com os objetivos de desenvolvimento sustentável. A metodologia combina simulações computacionais de fluídos (CFD) com técnicas de aprendizado de máquina, utilizando dados operacionais reais de uma turbina francis fornecidos pela empresa HACKER Industrial com avaliações focadas no parâmetro NW. Os resultados demonstram o potencial das redes neurais para otimizar parâmetros críticos de desempenho do duto de sucção, oferecendo uma abordagem para otimização de projetos hidráulicos. Destaca-se a viabilidade da integração entre modelagem computacional e inteligência artificial como ferramenta promissora para o setor de energia renovável.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherGuarapuava-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherEngenharia Mecânica-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-sa/4.0/-
Palavras-chave: dc.subjectTurbinas hidráulicas-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectTurbinas-
Palavras-chave: dc.subjectHydraulic turbines-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectTurbines-
Palavras-chave: dc.subjectCNPQ::ENGENHARIAS-
Título: dc.titleAplicação de redes neurais na otimização de dutos de sucção de turbinas Francis-
Título: dc.titleApplication of neural networks in the optimization of Francis turbines draft tubes-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.