Dla osób związanych lub pragnących się związać z branżą fotowoltaiczną zasadnicze znaczenie ma odpowiedź na pytanie, czy i jakie działania podjąć, by wykorzystać okres do wejścia w życie ustawy o odnawialnych źródłach energii, której projekt został niedawno skierowany do Sejmu.
This paper describes a semi-active control strategy that allows to transfer the vibration energy from an arbitrarily induced to a selected structural mode. The intended aim of the proposed control strategy is energy harvesting from structural vibrations. Another potential application is related to structural safety. In the paper, a mathematical model is first introduced to describe the phenomenon of vibrational energy transfer, and then, based on this model, an efficient semi-active control strategy is proposed. Finally, some problems related to measurement techniques are discussed. The effectiveness of the proposed methodology is demonstrated in an example of energy transfer between vibrational modes of a three-bar planar frame structure.
PL
Niniejszy artykuł opisuje półaktywną strategię sterowania umożliwiającą transfer energii z dowolnej wzbudzonej postaci do innej wybranej postaci drgań własnych konstrukcji. Proponowana strategia sterowania może być wykorzystana w celu pozyskiwania energii z drgań konstrukcji. Inne potencjalne zastosowanie związane jest z kwestiami bezpieczeństwa konstrukcji. W artykule najpierw wprowadzony jest model matematyczny opisujący zjawisko transferu energii drgań, a następnie, w oparciu o ten model, przedstawiona jest efektywna strategia sterowania półaktywnego. Na koniec omówiono zagadnienia związane z technikami pomiarowymi. Skuteczność proponowanej metodologii pokazano na przykładzie transferu energii pomiędzy postaciami drgań płaskiej ramy portalowej.
3
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
This paper considers structural control by reinforcement learning. The aim is to mitigate vibrations of a shear building subjected to an earthquake-like excitation and fitted with a semi-active tuned mass damper (TMD). The control force is coupled with the structural response, making the problem intrinsically nonlinear and challenging to solve using classical methods. Structural control by reinforcement learning has not been extensively explored yet. Here, Deep-Q-Learning is used, which appriximates the Q-function with a neural network and optimizes initially random control sequences through interaction with the controlled system. For safety reasons, training must be performed using an inevitably inexact numerical model instead of the real structure. It is thus crucial to assess the robustness of the control with respect to measurement noise and model errors. It is verified to significantly outperform an optimally tuned conventional TMD, and the key outcome is the high robustness to measurement noise and model error.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.