ذخیرهسازی هوشمند انرژی زمینگرمایی: تلفیق مواد تغییر فاز دهنده نانو-بهبودیافته، عیبیابی زیرسطحی و یادگیری عمیق مبتنی بر پردازش لبه برای پایش لحظهای سلامت سازه
ذخیرهسازی هوشمند انرژی زمینگرمایی: تلفیق مواد تغییر فاز دهنده نانو-بهبودیافته، عیبیابی زیرسطحی و یادگیری عمیق مبتنی بر پردازش لبه برای پایش لحظهای سلامت سازه
امیرحسین قدمیاری1 علی عزیزی2 علی اصغر شجاعت3 مسعود میرزایی4
1) گروه متالورژی، کارشناسی ارشد، دانشگاه آزاد اسلامی، مشهد، ایران،
2) گروه متالورژی استخراجی، دانشکده مهندسی متالورژی و مواد، دانشگاه علم و صنعت ایران، تهران، ایران
3) دانشکده مواد پیشرفته و نانوفناوری، دانشگاه امام حسین، تهران، ایران،
4) گروه متالورژی، دانشگاه آزاد اسلامی، مشهد، ایران،
کد IOI مقاله
:
AAHD-ABKEAZ
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
گذار جهانی به سمت ذخیرهسازی انرژی حرارتی در مقیاس شبکه (TES) مستلزم رسانههای پیشرفتهای است که بتوانند بر محدودیتهای حجمی ذاتی مخازن گرمای محسوس غلبه کنند. این گزارش، یک چارچوب جامع مواد و محاسبات برای ذخیرهسازی انرژی حرارتی گرمای نهان (LHTES) را با استفاده از ماتریسهای سنگ آذرین رسوبی متخلخل و ریزشکسته مهندسیشده که با مواد تغییر فاز نانوکامپوزیتی (نانو-PCM) نفوذ کردهاند، ارزیابی میکند. در حالی که نانو-PCMها چگالی انرژی حجمی را از طریق انتقال فاز ایزوترمال به طور قابل توجهی افزایش میدهند، ادغام آنها در سازندهای زیرزمینی، آسیبپذیریهای بحرانی، از جمله خستگی ترمومکانیکی، ترک خوردگی ریز و شستشوی شیمیایی تسریع شده در طول چرخه دمای بالا را ایجاد میکند. این مطالعه سنتز نانو-PCMهای آلاییده شده با کربن و اکسید فلز را با دقت تعریف میکند و پارامترهای پراکندگی را برای به حداکثر رساندن انتقال فونون در حالی که از تجمع جلوگیری میکند، به دقت تعریف میکند. یک روش خاص برای نفوذ ماتریس زمینشناسی از طریق اشباع خلاء، همراه با کپسولهسازی پوسته قفلی ابرمولکولی درجا و تغییر ترشوندگی نانوسیال سیلیس برای کاهش انحلال اولیه سیلیکات، ایجاد شده است. برای نظارت مداوم بر یکپارچگی مخزن، یک معماری تشخیصی ترکیبی فرموله شده است که حسگرهای نوری شبکه براگ فیبری (FBG) را با طیفسنجی امپدانس الکتروشیمیایی (EIS) مالتی پلکس میکند. این جریانهای داده متفاوت توسط یک پلتفرم هوش مصنوعی لبهای غیرمتمرکز با استفاده از معماریهای NVIDIA Jetson Nano دریافت میشوند. یک توپولوژی شبکه عصبی کانولوشنی-حافظه کوتاهمدت بلند مدت (CNN-LSTM) دادههای سری زمانی چند متغیره را برای پیشبینی شکست ساختاری اولیه پردازش میکند. برای اصلاح عدم تعادل حاد کلاس در دادههای شکست، شبکههای مولد تخاصمی واسرشتاین با جریمه گرادیان (WGAN-GP) مستقر شدهاند. این چارچوب منجر به افزایش رسانایی حرارتی پایه، نشت نزدیک به صفر و تشخیص ناهنجاری پیشبینیکننده میشود و به مساحت زیر منحنی (AUC) 0.97 دست مییابد و یک معماری انعطافپذیر برای ذخیرهسازی انرژی زمینگرمایی نسل بعدی ایجاد میکند.
کلمات کلیدی : انرژی زمین گرمایی ذخیره انرژی نانو pcmها هوش مصنوعی لبه پایش سلامت سازه