Wyniki wyszukiwania - BazTech

1

PV fed boost converter efficiency improvement using neural networks and model predictive control

Melouk Kheira, Della Krachai Mohamed, Della Krachai Saidia

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 2

177--181

EN

This paper presents a model predictive control (MPC) technique applied to a DC-DC boost converter powered by a photovoltaic ( PV ) generator. The control objective is to ensure the maximum power point tracking (MPPT) using neural networks and achieve a stable output voltage under varying environmental conditions. Photovoltaic systems are highly dependent on solar irradiance and temperature, which affect their output characteristics. The proposed method leverages predictive control algorithms to anticipate system behaviour and adjust the converter’s duty cycle in real-time, thereby improving the system’s overall efficiency and response time compared to conventional control methods. Simulation results validate the effectiveness of the proposed control scheme in terms of response time, voltage regulation, and robustness against environmental changes.

PL

W artykule przedstawiono technikę modelowego sterowania predykcyjnego (MPC) zastosowaną w przetwornicy podwyższającej˙ napięcie DC-DC zasilanej z generatora fotowoltaicznego (PV). Celem sterowania jest zapewnienie śledzenia punktu maksymalnej mocy (MPPT) przy użyciu sieci neuronowych i osiągnięcie stabilnego napięcia wyjściowego w zmiennych warunkach środowiskowych. Systemy fotowoltaiczne są w dużym˙ stopniu zależne˙ od natężenia promieniowania słonecznego i temperatury, które wpływają na ich charakterystykę wyjściową. Proponowana metoda wykorzystuje algorytmy sterowania predykcyjnego do przewidywania zachowania systemu i dostosowywania cyklu pracy przekształtnika w czasie rzeczywistym, poprawiając w ten sposób ogólną wydajność systemu i czas reakcji w porównaniu z konwencjonalnymi metodami sterowania. Wyniki symulacji potwierdzają skuteczność proponowanego schematu sterowania pod względem czasu reakcji, regulacji napięcia i odporności na zmiany środowiskowe.

2

Model neuronalny 24-godzinowego jednoczesnego zapotrzebowania na moc z wyprzedzeniem dobowym w KSE

Tchórzewski Jerzy

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 2

228--232

PL

Przedstawiono model neuronalny prognozowania 24-godzinnego zapotrzebowania dobowego na moc elektryczną w KSE z wyprzedzeniem dobowym. Wykorzystano dane rzeczywiste o strukturze 48 wejść oraz 24 wyjść. Uzyskane wyniki poddano badanym symulacyjnym oraz prognostycznym, a także komparatystycznym w odniesieniu do wyników otrzymywanych z innych rodzajów modeli.

EN

A neural model for forecasting 24-hour daily demand for electrical power in the National Power System with a daily advance is presented. Real data with a structure of 48 inputs and 24 outputs are used. The obtained results are subjected to simulation and prognostic tests, as well as comparative tests in relation to the results obtained from other types of models.

3

Determination of the typical course values of aircraft parameters for the new measurement system in the case of aircraft take-off and landing

Michałowska Joanna, Tomiło Paweł

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 1

261--265

EN

The measurements were carried out in a PZL 110 Koliber 150 aircraft using two specially developed measurement systems.The first system uses an Inertial Measurement Unit with 9 degrees of freedom (accelerometer, magnetometer, gyroscope). The second measurement system is based on the use of a logarithmic power detector together with an antenna and microcontroller board. An algorithm was developed that uses an artificial neural network with a variational autoencoder architecture with LSTM layers. Empirical relationships describing the acceleration in three axes, the Euler angle, and the electric scale of the electromagnetic field were observed. It has been demonstrated on the basis of the conducted research that the use of the developed artificial neural network model will be used to generate generalized time courses of the analyzed flight parameters. This type of tool has potential use in pilot training, due to critical factors occurring during the takeoff and landing phases.

PL

Pomiary przeprowadzono w samolocie PZL 110 Koliber z wykorzystaniem opracowanych specjalistycznych dwóch systemów pomiarowych. Pierwszy system wykorzystuje jednostkę pomiaru bezwładnościowego z 9 stopniami swobody (akcelerometr, magnetometr, żyroskop). Drugi system pomiarowy opiera się na wykorzystaniu logarytmicznego detektora mocy wraz z anteną i płytką mikrokontrolera. Opracowano algorytm, który wykorzystując sztuczną sieć neuronową o architekturze wariacyjnego autoenkondera z warstwami LSTM. Zaobserwowano zalezności emiryczne opisujace akcelerację w trzech osiach, kąt Eulera oraz sklałaową elektryczną pola elektromagnetycznego. Wykazano na przykładzie przeprowadzonych badań, ze wykorzystanie opracowanego modelu sztucznej sieci neuronowej posłuży do wygenerowania uogólnionych przebiegów czasowych analizowanych paramety lotu. Tego typu narzędzie ma potencjalne zastosowanie w szkoleniu pilotów, ze względu na czynniki krytyczne występujące podczas faz startu i lądowania.

4

Artificial neural network model for estimation of relative airplane altitude

Tomiło Paweł, Michałowska Joanna, Laskowski Jan, Pytka Jarosław, Kochan Orest, Gnapowski Ernest

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 2

116--119

EN

The main purpose of the publication is to develop an artificial neural network model capable of estimating aircraft altitude based on accelerometer and gyroscope readings. The developed network structure uses LSTM, SE and transform encoder layers. Measurement data for training, validation and testing of the neural network were obtained from tests using an original measurement system developed. The developed device set was placed on the Koliber 150 aircraft. In order to verify the correctness of the model, the values estimated by the model were compared with those estimated by the Kalman filter algorithm using the double integration algorithm. The developed artificial neural network model has an overall estimation error of 7.43m, while the error for the Kalman filter was 20.27m. It has been shown that the use of the proposed model allows achieving satisfactory accuracy in aircraft altitude estimation due to the model's ability to adapt to the drift in the Inertial Measurement Unit (IMU).

PL

Głównym celem publikacji jest opracowanie modelu sztucznej sieci neuronowej, który będzie w stanie oszacować wysokość samolotu na podstawie wskazań akcelerometru i żyroskopu. Opracowana struktura sieci wykorzystuje warstwy LSTM, SE i enkodera transformatorowego. Dane pomiarowe do uczenia, walidacji i testowania sieci neuronowej uzyskano z badan za pomocą opracowanego autorskiego system pomiarowego. Opracowane urządzenie umieszczono na samolocie Koliber 150. W celu weryfikacji poprawności modelu wartości oszacowane zostały porównane z wartościami, które oszacowano na podstawie algorytmu filtrem Kalmana z zastosowaniem algorytmu podwójnego całkowania. Opracowany model sztucznej sieci neuronowej charakteryzuje się ogólnym błędem estymacji wynoszącym 7.43m, zaś błąd dla filtru Kalmana wyniósł 20.27m. Wykazano że zastosowanie zaproponowanego modelu pozwala na osiągnięcie zadowalającej dokładności przy estymacji wysokości samolotu dzięki zdolności modelu do adaptacji do dryftu w Inercyjnej jednostce pomiarowej (IMU).

5

A comprehensive analysis of the Emperor Penguin Optimizer in optimizing a smart photovoltaic systems

Nadhir Azzeddine Yasser, Abdelhak Ghalem, Abdellatif Naceri, Youcef Djeriri

Przegląd Elektrotechniczny

|

2025

|

R. 101, nr 5

249--254

EN

In the dynamic and advancing field of solar energy, optimizing photovoltaic (PV) systems for maximum power output under varied weather conditions is a relentless pursuit. A crucial part of achieving greater efficiency and performance lies in utilizing advanced optimization algorithms. Enter the Emperor Penguin Optimizer (EPO), a novel optimization algorithm that has been found to surpass the traditionally employed Particle Swarm Optimization (PSO) in refining PV system performance. This study dives into a comprehensive analysis of the EPO's superiority in optimizing smart PV systems and provides an enlightening perspective for professionals in the field of renewable energy.

PL

W dynamicznej i rozwijającej się dziedzinie energii słonecznej optymalizacja systemów fotowoltaicznych (PV) pod kątem maksymalnej mocy wyjściowej w zmiennych warunkach pogodowych jest nieustannym dążeniem. Kluczowym elementem osiągnięcia większej wydajności i wydajności jest wykorzystanie zaawansowanych algorytmów optymalizacyjnych. Poznaj Emperor Penguin Optimizer (EPO), nowatorski algorytm optymalizacji, który, jak stwierdzono, przewyższa tradycyjnie stosowaną optymalizację roju cząstek (PSO) w ulepszaniu wydajności systemu fotowoltaicznego. Niniejsze badanie zawiera kompleksową analizę wyższości EPO w optymalizacji inteligentnych systemów fotowoltaicznych i zapewnia pouczającą perspektywę profesjonalistom w dziedzinie energii odnawialnej.

6

Sztuczne inteligencje i biologiczne mózgi

Durka Piotr

Postępy Fizyki

|

2025

|

T. 76, z. 1

3--12

PL

Sztuczna inteligencja (ang. artificial intelligence, AI) to najgorętszy temat ostatnich lat, nie tylko w technologii. Jest wszędzie - od szczoteczek do zębów po artykuły naukowe. Pochłania setki miliardów dolarów, trzęsie giełdami, podważa wiarę w prawdziwość cyfrowych treści, halucynuje i karmi apokaliptyczne przepowiednie. Czym naprawdę jest AI? Czy zamiast Artificial Intelligence powinniśmy mówić o Alien Intelligence, jak sugeruje Yuval Noah Harari, czy raczej oczekiwać połączenia inteligencji białkowej z krzemową przez interfejsy mózg-komputer, razem z Raymondem Kurzweilem? Dlaczego wykorzystująca zdobycze nauki cywilizacja skręca nagle w stronę czarnych skrzynek i tajemniczych wyroczni? Spróbujemy określić, czym jest AI, i wyjaśnimy czym nie jest, demaskując po drodze kilka miejskich legend o podsłuchiwaniu myśli i przenoszeniu świadomości do cyberprzestrzeni. Omówimy też realne zagrożenia wynikające z faktu, że od od lat oddajemy algorytmom rząd dusz, ale nie zauważamy tego wsłuchani w opowieści o nadchodzącej „apokalipsie AI”.

EN

Artificial Intelligence (AI) is the hottest topic of recent years, and not only in technology. It is everywhere - from toothbrushes to scientific articles. It consumes hundreds of billions of dollars, shakes stock markets, undermines the credibility of digital content, hallucinates and feeds apocalyptic prophecies. What is AI really? Should we understand Artificial Intelligence as Alien Intelligence, as Yuval Noah Harari suggests, or rather expect biological intelligence to merge with silicon intelligence via brain-computer interfaces, together with Raymond Kurzweil? Why does our science-based civilization suddenly turn towards black boxes and mysterious oracles? We will try to define what AI is and explain what it is not, along the way debunking a few urban legends about eavesdropping on thoughts and transferring consciousness to cyberspace. We will also discuss the real threats resulting from the fact that for years we have been giving the reign of our souls to algorithms, but we do not notice it, listening to stories about the coming “AI apocalypse”.

7

Wyznaczanie parametrów geotechnicznych gruntów organicznych na podstawie sondowań dylatometrycznych

Lechowicz Zbigniew, Rabarijoely Simon, Sulewska Maria Jolanta

Inżynieria Morska i Geotechnika

|

2025

|

nr 4

151--158

PL

Wykorzystanie sondowań dylatometrycznych do wyznaczania wybranych parametrów geotechnicznych na przykładzie gruntów organicznych holocenu i interglacjału eemskiego.

EN

The use of dilatometer tests to determine selected geotechnical parameters on the example of organic soils of the Holocene and Eemian Interglacial.

8

Weryfikacja neuronowego sposobu oceny przypowierzchniowej wytrzymałości na rozciąganie kompozytu cementowego modyfikowanego mączką granitową

Czarnecki Sławomir

Inżynieria i Budownictwo

|

2025

|

R. 81, nr 5

491--495

PL

W referacie zaprezentowano rezultaty weryfikacji, opracowanego wcześniej przez autora, neuronowego sposobu oceny przypowierzchniowej wytrzymałości na rozciąganie kompozytu cementowego modyfikowanego mączką granitową. Sposób ten może być przydatny do oceny tego parametru w podłogach betonowych wielkopowierzchniowych, w których wykonywanie badań metodą odrywania jest uciążliwe z uwagi na liczność miejsc badawczych i czasochłonność ich wykonania oraz konieczność naprawy tych miejsc. Do weryfikacji doświadczalnej sztucznej sieci neuronowej wykorzystano rezultaty badań przypowierzchniowej wytrzymałości na rozciąganie nowo wykonanych próbek badanych po 7 i 28 dniach dojrzewania, w sytuacji gdy do procesów uczenia i testowania SSN zostały wykorzystane rezultaty badań uzyskane po 56 i 90 dniach dojrzewania kompozytu cementowego o tym samym składzie materiałowym. Uzyskano satysfakcjonujące rezultaty tej weryfikacji.

EN

The paper presents the results of the verification of a neural method for evaluating the pull-off adhesion of a cement composite modified with granite powder, previously developed by the author. This method may be useful for assessing this parameter in large-area concrete floors, where testing using the pull-off method is burdensome due to the high number of test locations, the time required to perform them, and the need to repair the tested areas. For the experimental verification of the artificial neural network, results were used from tests of the pull-off adhesion of newly made samples examined after 7 and 28 days of curing, while the neural network was trained and tested using results obtained after 56 and 90 days of curing of cement composites with the same material composition. The verification yielded satisfactory results.

9

Exploring the influence of water film thickness on the yield stress of cement-limestone pastes: a comprehensive analysis

Zhang Qian

Archives of Civil Engineering

|

2025

|

Vol. 71, nr 1

83--98

EN

This study delves into the influence ofwater film thickness (WFT) on the rheological characteristics, particularly the yield stress, of cement paste incorporating limestone powder. Employing an Anton Paar MCR 102 rheometer, precise measurements of both the static and dynamic yield stress were conducted. Artificial neural networks (ANN) were then applied to explore the relationship between WFT and yield stresses. The findings reveal an approximate linear growth pattern in the shear stress-shear rate profile of cement-limestone paste, with an intensified shear thickening observed as limestone powder content increases. The augmentation of limestone powder and specific surface area notably enhances both static and dynamic yield stresses, with the latter reaching 70.26 Pa in the case of a paste containing 50% Class III limestone powder (1088 m2/kg). The WFT of cement-limestone paste particles is contingent on the ratio of solid particle packing density to total specific surface area, exhibiting an increase with rising solid particle packing density. Both static and dynamic yield stresses exhibit a negative correlation with WFT. Artificial neural networks demonstrate efficacy in predicting static and dynamic yield stresses based on mix ratio parameters and WFT, with a higher prediction accuracy for static yield stress, reflected in an R2 value of 0.9745.

10

Machine learning-based shear bearing capacity of concrete columns confined by transverse reinforcement subjected to lateral cyclic loading

Hou Chongchi, Lv Yilei, Zheng Wenzhong, Zhang Yichao

Archives of Civil and Mechanical Engineering

|

2025

|

Vol. 25, no. 1

art. no. e7, 2025

EN

The shear bearing capacity of confined concrete columns subjected to lateral cyclic loading is an important mechanical property in investigating seismic behavior of concrete buildings. However, it is still difficult to accurately predict shear bearing capacity of confined concrete columns using traditional analysis methods owing to its complex mechanical principle and indeterminate multivariable interrelationship. In this paper, an experimental study of 15 confined concrete columns subjected to lateral cyclic loading was conducted to explore the seismic behavior of confined concrete columns. Moreover, ANN and SVR models were established to accurately estimate the shear bearing capacity of confined concrete columns based on a reliable test database consisting of 121 specimens conducted in this study and published literatures. Nine key parameters were considered as input variables, including cross-sectional area of core concrete, unconfined concrete compressive strength, shear span ratio, axial compression ratio, volumetric ratio of transverse reinforcement, yield strength of transverse reinforcement, longitudinal reinforcement ratio, yield strength of longitudinal reinforcement, and confinement type. Additionally, the model sensitivity analysis was conducted to investigate the impact of parameters on shear bearing capacity of confined concrete columns. Finally, the ANN and SVR models were evaluated by comparing with five existing predicted methods and experimental results indicating that the ANN and SVM models have enough accuracy and reliability in predicting shear bearing capacity of confined concrete columns subjected to lateral cyclic loading.

11

Simulation analysis of artificial neural network and XGBoost algorithms in time series forecasting

Sroka Łukasz

Zeszyty Naukowe. Organizacja i Zarządzanie / Politechnika Śląska

|

2024

|

z. 195

561--575

EN

Purpose: The aim of the article was to prepare a simulation analysis of artificial neural network and XGBoost algorithm with determining which of the method was characterized by a lower level of forecast errors for time series predictions. Design/methodology/approach: The objective of the article was reached by applying, a simulation study on a sample of 1000 artificially generated time series. The analyzed XGBoost algorithm and the artificial neural network ANN model were intended to prepare forecasts for five periods ahead. These forecasts were compared with the actual implementations of the time series and proposed forecast error measures. Findings: It is possible to use simulated time series to check which of the presented algorithms were characterized by a lower forecast error. The study showed that applying of the artificial neural networks ANN to forecast future observations generated a lower level of MAPE, MAE and RMSE errors than in the case of the XGBoost algorithm. It was found that both methods generate a lower level of forecast error for time series characterized by a high level of mean value, standard deviation and variance, and levels of kurtosis and skewness close to 0. Practical implications: The research results can be used by both investors and enterprises to better adjust their business decisions to changing market prices by using a model with a lower forecast bias. Originality/value: The original contribution of this article is a comprehensive comparison of forecasts generated by the XGBoost and ANN algorithm, along with determining for which types of time series of the algorithms forecast future values with less error. Moreover, due to the use of simulated artificial time series, it was possible to test each algorithm for various market conditions.

12

Artificial intelligence-powered pulse sequences in nuclear magnetic resonance and magnetic resonance imaging: historical trends, current innovations and perspectives

Tokarz Paweł

Scientiae Radices

|

2024

|

Vol. 3, Iss. 1

30--52

EN

This review article explores the historical background and recent advances in the application of artificial intelligence (AI) in the development of radiofrequency pulses and pulse sequences in nuclear magnetic resonance spectroscopy (NMR) and imaging (MRI). The introduction of AI into this field, which traces back to the late 1970s, has recently witnessed remarkable progress, leading to the design of specialized frameworks and software solutions such as DeepRF, MRzero, and GENETICS-AI. Through an analysis of literature and case studies, this review tracks the transformation of AI-driven pulse design from initial proof-of-concept studies to comprehensive scientific programs, shedding light on the potential implications for the broader NMR and MRI communities. The fusion of artificial intelligence and magnetic resonance pulse design stands as a promising frontier in spectroscopy and imaging, offering innovative enhancements in data acquisition, analysis, and interpretation across diverse scientific domains.

13

Sztuczna sieć neuronowa kontra technika algorytmiczna w zadaniu klasyfikacji kształtów

Konopiński Jakub, Baran Krystyna, Łazika Jakub, Góral Piotr, Pawłowski Paweł

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 10

204--207

PL

W artykule przedstawiono wyniki badań porównawczych zadania klasyfikacji prostych kształtów. Porównano opracowany model sztucznej sieci neuronowej typu CNN z techniką algorytmiczną dokonującą detekcji krawędzi algorytmem Canny’ego i klasyfikującą obiekty na podstawie liczby i wzajemnego położenia rozpoznanych krawędzi. Do eksperymentów przygotowano zbiór danych składający się z 2162 zdjęć reprezentujących przedmioty o kształtach: prostokąta, koła i trójkąta. Sieć neuronowa uzyskała dokładność klasyfikacji równą 85%, a technika algorytmiczna 77%. Porównanie czasu działania pokazało jednak wyższość techniki algorytmicznej: działała ona 8 razy szybciej. Rozwiązanie może znajdować zastosowania do segregacji obiektów na liniach produkcyjnych i być zaimplementowane na komputerze jednoukładowym.

EN

The article presents results of comparative research on the task of classifying simple shapes. The developed model of an artificial neural network of the CNN type was compared with an algorithmic technique that detects edges using the Canny algorithm and classifies objects based on the number and relative position of recognized edges. A data set consisting of 2162 photos representing objects with the shapes of a rectangle, a circle and a triangle was prepared for the experiments. The neural network achieved a classification accuracy of 85% and the algorithmic technique 77%. However, a comparison of the processing time showed the superiority of the algorithmic technique: it worked 8 times faster. The solution can be used for the segregation of objects on production lines and be implemented on a single-chip computer.

14

QOE Measurement model in wi-fi networks: analysis of socio- economics influences in Indonesia

Ruliyanta Ruliyanta, Ahmad Mohd Riduan, Md Isa Azmi Awang

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 6

83--87

EN

We measure the quality-of-service level of the existing Wi-Fi network on the office in Indonesia. Next, the user is asked to measure the level of network experience. We compare the results of our experience assessment survey with the system's quality of service. The method we use is to group volunteers into two socio-economic groups. The assessment results were carried out using an artificial neural network algorithm. Observation results show that the average quality of service in Socio 1 is 87,11%, while in Socio 2, 92.45%. The mean absolute percentage error measurement results we obtained statistically for Socio 1 were 3.54%, and for Socio 2, the value was 2.11%. The Mean absolute percentage error using artificial neural network backpropagation in Socio 1 is 4.02%, while in the Socio 2 group is 2.06%. The relationship between the two results shows a heavy correlation.

PL

Mierzymy poziom jakości usług istniejącej sieci Wi-Fi w biurze w Indonezji. Następnie użytkownik proszony jest o zmierzenie poziomu doświadczenia sieciowego. Wyniki naszej ankiety oceny doświadczeń porównujemy z jakością obsługi systemu. Stosowana przez nas metoda polega na podzieleniu wolontariuszy na dwie grupy społeczno-ekonomiczne. Wyniki oceny przeprowadzono z wykorzystaniem algorytmu sztucznej sieci neuronowej. Wyniki obserwacji pokazują, że średnia jakość obsługi w Socio 1 wynosi 87,11%, zaś w Socio 2 92,45%. Średnie bezwzględne wyniki pomiaru błędu procentowego, które uzyskaliśmy statystycznie dla Socio 1, wyniosły 3,54%, a dla Socio 2, wartość ta wyniosła 2,11%. Średni bezwzględny błąd procentowy przy zastosowaniu propagacji wstecznej sztucznej sieci neuronowej w grupie Socio 1 wynosi 4,02%, podczas gdy w grupie Socio 2 wynosi 2,06%. Związek pomiędzy obydwoma wynikami wykazuje silną korelację.

15

Forecasting South Sulawesi electrical energy consumption using artificial neural network

Said Sri Mawar, Ilyas Andi Muhammai

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 3

191--195

EN

Electrical Energy must be provided in an amount according to needs. Energy that exceeds consumption needs causes power loss. On the other hand, when electricity is scarce, it causes blackouts. To produce electrical energy that meets these needs, there must be a plan for the provision of electrical energy which is carried out by forecasting electricity consumption. Therefore, forecasting electricity consumption is very important to ensure electricity efficiency. This research was conducted in the province of South Sulawesi, Indonesia. The research method used is the Artificial Neural Network (ANN) method. The results of forecasting energy consumption show that the Artificial Neural Network method, Network Type back-propagation, and the TRAINGDX training function of 1480.133602 MW are closest to the target value of 1480.167515 MW or a difference of 0.033913 MW, Mean Square Error (MSE) value is 0.000002131. TRAINCGB is 1480.115899 MW or a difference of 0.051616 MW, the Mean Square Error (MSE) value is 0.000003226. This forecast shows that the results are accurate.

PL

Energia elektryczna musi być zapewniona w ilości dostosowanej do potrzeb. Energia przekraczająca zapotrzebowanie powoduje utratę mocy. Z drugiej strony, gdy brakuje prądu, powoduje to przerwy w dostawie prądu. Aby wyprodukować energię elektryczną zaspokajającą te potrzeby, musi istnieć plan dostarczania energii elektrycznej, który odbywa się poprzez prognozowanie zużycia energii elektrycznej. Dlatego prognozowanie zużycia energii elektrycznej jest bardzo ważne dla zapewnienia efektywności energetycznej. Badania przeprowadzono w prowincji Sulawesi Południowe w Indonezji. Zastosowaną metodą badawczą jest metoda sztucznej sieci neuronowej (ANN). Wyniki prognozowania zużycia energii pokazują, że metoda sztucznej sieci neuronowej, propagacja wsteczna typu sieci oraz funkcja ucząca TRAINGDX wynosząca 1480,133602 MW są najbliższe docelowej wartości 1480,167515 MW lub różnicy 0,033913 MW, średniego błędu kwadratowego (MSE). wartość wynosi 0,000002131. TRAINCGB wynosi 1480,115899 MW lub różnica 0,051616 MW, wartość błędu średniokwadratowego (MSE) wynosi 0,000003226. Prognoza ta pokazuje, że wyniki są trafne.

16

Electricity price forecasting on the day-ahead market using artificial intelligence algorithms

Galińska Jolanta, Terlikowski Paweł

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 9

156--162

EN

This article presents the application of AI algorithms to predict hourly product prices in the uniform price auction system of the Polish Power Exchange. It involves analyzing the electricity price determination process, identifying factors shaping price curves, reviewing literature on AI methods for electricity price prediction, proposing a research methodology, and modeling solutions using artificial neural networks. Nine variants of multilayer perceptrons with backpropagation were optimized and compared using most common indicators. Results were compared with forecasts from foreign articles for other European markets to evaluate the effectiveness of using AI in predicting electricity prices in the Polish Day-Ahead Market.

PL

W artykule przedstawiono zastosowanie algorytmów sztucznej inteligencji do predykcji ceny produktów godzinowych w notowaniach w systemie kursu jednolitego na rynku dnia następnego energii elektrycznej Towarowej Giełdy Energii. Przeanalizowano proces wyznaczania cen energii elektrycznej, identyfikację czynników kształtujących krzywe cenowe, dokonano przeglądu literatury dotyczącej zastosowania metod sztucznej inteligencji do predykcji cen energii elektrycznej, zaproponowano metodologię badań oraz zamodelowano rozwiązanie z wykorzystaniem sztucznych sieci neuronowych. Zoptymalizowano i porównano dziewięć wariantów perceptronów wielowarstwowych z propagacją wsteczną. W celu oceny skuteczności wykorzystania sztucznej inteligencji w prognozowaniu cen energii elektrycznej na polskim Rynku Dnia Następnego, otrzymane wyniki porównano z prognozami z artykułów zagranicznych dla innych rynków europejskich.

17

Automatyczne rozpoznawanie elementów polskich pojazdów hi storycznych

Balcerek Julian, Dąbrowski Adam, Pawłowski Paweł, Tokarski Piotr

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 10

212--215

PL

W niniejszym artykule zaprezentowano system do automatycznego rozpoznawania elementów polskich pojazdów historycznych. Sys tem dokonuje analizy obrazów za pomocą sztucznych sieci neuronowych. Do przeprowadzenia testów skuteczności klasyfikacji wybranych zbiorów klas obiektów przygotowano bazę obrazów, z uwzględnieniem pochodzenia, modułu, modelu, nadwozia, silnika i wnętrza. Dla sieci wytrenowanych na pojedynczych modułach pojazdów w dwóch przypadkach osiągnięto stuprocentową dokładność klasyfikacji.

EN

This article presents a system for automatic recognition of elements of Polish historical vehicles. The system uses artificial neural net works for image analysis. A database of images was prepared to carry out the classification tests of selected sets of object classes, taking into ac count the origin, module, model, engine, body, and interior. For networks trained on single vehicle module, even 100% classification accuracy was achieved in two cases.

18

An Analysis of power system faul Classifier using neural network

Kumar Venkatesh, Sujitha S., Aarthi C., Nirmala M., Samanvita N., Garapati Durga Prasad, Kumar Vinoth, Manjunatha B.

Przegląd Elektrotechniczny

|

2024

|

R. 100, nr 7

96--100

EN

Fault is obviously a significant phenomenon for energy transmission in the distribution system because of the potentially harmful consequences that finally lead to economic crises. In order to verify their sustainability error experience, MATLAB and Simulink analyse the 3-phase power system in this article. An intelligent expert like a neural network may easily identify the defect that may have happened in the transmission line and categorize transmission issues on the power supply using artificial neural network (ANN). ANN is used to categories problems and generate a change status indication for the protection relay. This work proposes design strategies for fault recognition, classification, and isolation supported by state-of-the-art artificial intelligence and signal processing. Three-phase current and voltage from one end are taken as inputs in the proposed scheme. The Various simulations and signal analysis are performed in MATLAB environment.

PL

Zwarcie jest oczywiście zjawiskiem istotnym dla przesyłu energii w systemie dystrybucyjnym ze względu na potencjalnie szkodliwe skutki, które ostatecznie prowadzą do kryzysów gospodarczych. Aby zweryfikować swoje doświadczenia związane z błędami w zakresie zrównoważonego rozwoju, MATLAB i Simulink analizują w tym artykule 3-fazowy system zasilania. Inteligentny ekspert, taki jak sieć neuronowa, może z łatwością zidentyfikować usterkę, która mogła wystąpić w linii przesyłowej i sklasyfikować problemy z transmisją w zasilaczu za pomocą sztucznej sieci neuronowej (ANN). SSN służy do kategoryzacji problemów i generowania wskazania stanu zmian dla przekaźnika zabezpieczeniowego. W pracy zaproponowano strategie projektowania rozpoznawania, klasyfikacji i izolacji uszkodzeń wspierane przez najnowocześniejszą sztuczną inteligencję i przetwarzanie sygnałów. W proponowanym schemacie jako dane wejściowe przyjmuje się prąd trójfazowy i napięcie z jednego końca. Różne symulacje i analiza sygnałów wykonywane są w środowisku MATLAB

19

The application of back propagation neural network for predicting production flow rate of oil wells in Hai Su Trang field, Vietnam

Vu Hong Duong, Nguyen Tien Hung, Nguyen Ming Hoa

Nafta-Gaz

|

2024

|

R. 80, nr 7

408--417

EN

Oil production flow rate prediction is a critical aspect of oil and gas exploitation operations. Currently, flow rate forecasting is often estimated using theoretical or empirical models. Theoretical models tend to provide predictions with a wide range of errors and require extensive input data. On the other hand, empirical models have limitations due to restricted data. The objective of this article is to develop a correlation for highly accurate forecasting of the production flow rate. In order to achieve this goal, this study applies an artificial neural network (ANN) for flow rate prediction. The backpropagation algorithm and the tansig function are selected in this study as a learning algorithm to forecast flow rate. The study considered 262 datasets collected from six wells in the Hai Su Trang field, Cuu Long basin used in the ANN model, with 70% for training, 15% for testing, and the remaining 15% for validation. This article evaluates the ability of ANN model to predict flow rate with different numbers of neuron. The predicted results obtained from the ANN model with eight neurons and backpropagation algorithm achieved high predictability when compared to empirical methods and multivariate regression model, with a strong correlation coefficient of 0.97 and a low RMSE of 32.54 bbl/d. Therefore, the developed ANN models have been shown to be an effective tool in production flow rate forecasting in oilfields.

PL

Prognozowanie wskaźnika wydobycia ropy naftowej jest krytycznym aspektem eksploatacji złóż ropy naftowej i gazu ziemnego. Obecnie prognozowanie wydajności przypływu jest często szacowane przy użyciu modeli teoretycznych lub empirycznych. Modele teoretyczne zazwyczaj generują prognozy z wieloma błędami i wymagają obszernych danych wejściowych. Z drugiej strony, modele empiryczne wykazują ograniczenia ze względu na ograniczoną ilość danych. Celem tego artykułu jest opracowanie korelacji dla bardzo dokładnego prognozowania wskaźnika wydobycia ropy. W tym celu w badaniu zastosowano sztuczną sieć neuronową (ANN). Algorytm wstecznej propagacji i funkcja tansig zostały wybrane w tym badaniu jako algorytm uczenia się do prognozowania wskaźnika wydobycia ropy. W badaniu uwzględniono 262 zestawy danych zebranych z sześciu odwiertów eksploatacyjnych na złożu Hai Su Trang w basenie Cuu Long, które wykorzystano w modelu ANN, z czego 70% do szkolenia, 15% do testowania, a pozostałe 15% do walidacji. W niniejszym artykule oceniono zdolność modelu ANN do przewidywania wskaźnika wydobycia ropy przy różnej liczbie neuronów w warstwie. Przewidywane wyniki uzyskane z modelu ANN z ośmioma neuronami w warstwie i algorytmem wstecznej propagacji wykazały dużą przewidywalność w porównaniu z metodami empirycznymi i wielowymiarowym modelem regresji, z silnym współczynnikiem korelacji wynoszącym 0,97 i niskim RMSE wynoszącym 32,54 bbl/d. Dlatego też opracowane modele ANN okazały się skutecznym narzędziem w prognozowaniu wskaźnika wydobycia ropy naftowej ze złóż.

20

Predicting open-pit mine production using machine learning techniques

Kumah Faustin Nartey, Alex Kwasi Saim, Oppong Millicent Nkrumah, Arthur Clement Kweku

Journal of Sustainable Mining

|

2024

|

Vol. 23, iss. 2

118--131

EN

In mining, where production is affected by several factors, including equipment availability, it is necessary to develop reliable models to accurately predict mine production to improve operational efficiency. Hence, in this study, four (4) machine learning algorithms - namely: artificial neural network (ANN), random forest (RF), gradient boosting regression (GBR) and decision tree (DT)) - were implemented to predict mine production. Multiple Linear Regression (MLR) analysis was used as a baseline study for comparison purposes. In that regard, one hundred and twenty-six (126) datasets from an open-pit gold mine were used. The developed models were evaluated and compared using the correlation coefficient (R2), mean absolute percentage error (MAPE) and variance accounted for (VAF). It has been shown in this study that the ANN model can best estimate open-pit mine production by comparing its performance to that of the other machine learning models. The R2, MAPE, RMSE and VAF of the models were 0.8003, 0.7486, 0.7519, 0.6538, 0.6044, 4.23%, 5.07%, 5.44%, 6.31%, 6.15% and 79.66%, 74.69%, 74.10%, 65.16% and 60.11% for ANN, RF, GBR, DT and MLR, respectively. Overall, this study has shown that machine learning algorithms predict mine production with higher accuracy.