Documents disponibles écrits par cet auteur

Experimental modeling of a cavitation vortex in the draft tube of a Francis turbine using artificial neural networks / Hocevar, Marko in Journal of hydraulic research, Vol. 45 N°4 (2007) 

Public ISBD [article]  in Journal of hydraulic research > Vol. 45 N°4 (2007) . - 538-546 p. Titre : Experimental modeling of a cavitation vortex in the draft tube of a Francis turbine using artificial neural networks Titre original : Modélisation expérimentale d'un votrex de cavitation dans le diffuseur d'une turbine Francis en utilisant les réseaux neuronaux artificiels Type de document : texte imprimé Auteurs : Hocevar, Marko, Auteur ; Sirok, Brane, Auteur ; Blagojevic, Bogdan, Auteur Article en page(s) : 538-546 p. Note générale : Hydraulique Langues : Anglais (eng) Mots-clés : Cavitation  votrex  structure  Francis  turbine  Experimental  modeling  Radial  basis  neural  networks  Cavitation  votrex  ouvrage  Turbine  Francis  Modélisation  expérimentale  Radial  base  de  réseaux  neuronaux Index. décimale : 627 Ingénierie des cours d'eau naturels, des ports, des rades et des cotes. Installations de navigation, de dragage, de récupération et de sauvetage. Barrages et centrales électriques hydrauliques Résumé : Experimental modeling of a cavitation vortex structure in a Francis turbine draft tube is presented. Pressure in the draft tube and images of vortex structure were acquired simultaneously for the experiment. Non-parametric radial basis neural networks were used for the experimental modeling. Two variables were modeled: average image intensities in the selected region, and entire images of the cavitation vortex. Both variables were modeled on the basis of experimentally provided pressure data. The learning set consisted of pressure–image pairs. The modeling consisted in providing only pressure, while average image intensities and images of the cavitation vortex were modeled. Regression coefficients between the modeled and measured average image intensities in an interval of 0.82–0.99 confirmed the correct choice of the experimental modeling method. The entire image modeling of the cavitation vortex also gave encouraging results with regression coefficients in an interval of 0.59–0.88. The regression coefficient of the entire image modeling was lower than the regression coefficient of the average image intensity modeling due to the high dimensionality of the cavitation vortex structure. On présente une modélisation expérimentale d'une structure de la cavitation de tourbillons dans un projet de turbine Francis tube est présenté. Pression dans le projet de métro et des images de la structure tourbillonnaire ont été acquises simultanément pour l'expérience. Deux réseaux neuronaux (de base radiale non paramétriques) ont été employés pour la modélisation expérimentale. Deux variables ont été modélisés: image de l'intensité moyenne dans la région, ainsi que des images de la totalité de la cavitation tourbillon. Les deux variables étaient calquées sur la base de données expérimentale pour autant la pression. L'ensemble composé d'apprentissage pression des paires d'images. La modélisation a consisté à fournir seulement la pression, tandis que l'intensité moyenne de l'image et les images des tourbillons de cavitation ont été modélisés. Coefficients de régression entre le modélisés et mesurés image de l'intensité moyenne dans un intervalle de 0,82-0,99 confirmé le bon choix de la méthode de modélisation expérimentale. L'image de la modélisation de la cavitation tourbillon a également donné des résultats encourageants avec des coefficients de régression dans un intervalle de 0,59-0,88. Le coefficient de régression de l'ensemble de la modélisation de l'image a été plus faible que le coefficient de régression de la moyenne de la modélisation de l'image d'intensité en raison de la forte dimensionnalité de la structure de la cavitation de tourbillons. DEWEY : 627 ISSN : 0022-1686 RAMEAU : Cavitation En ligne : marko.hocevar@fs.uni.lj.si, brane.sirok@fs.uni.lj.si, bogdan.blagojevic@fs.uni.l [...] [article] Experimental modeling of a cavitation vortex in the draft tube of a Francis turbine using artificial neural networks = Modélisation expérimentale d'un votrex de cavitation dans le diffuseur d'une turbine Francis en utilisant les réseaux neuronaux artificiels [texte imprimé] / Hocevar, Marko, Auteur ; Sirok, Brane, Auteur ; Blagojevic, Bogdan, Auteur . - 538-546 p. Hydraulique Langues : Anglais (eng) in Journal of hydraulic research > Vol. 45 N°4 (2007) . - 538-546 p. Mots-clés : Cavitation  votrex  structure  Francis  turbine  Experimental  modeling  Radial  basis  neural  networks  Cavitation  votrex  ouvrage  Turbine  Francis  Modélisation  expérimentale  Radial  base  de  réseaux  neuronaux Index. décimale : 627 Ingénierie des cours d'eau naturels, des ports, des rades et des cotes. Installations de navigation, de dragage, de récupération et de sauvetage. Barrages et centrales électriques hydrauliques Résumé : Experimental modeling of a cavitation vortex structure in a Francis turbine draft tube is presented. Pressure in the draft tube and images of vortex structure were acquired simultaneously for the experiment. Non-parametric radial basis neural networks were used for the experimental modeling. Two variables were modeled: average image intensities in the selected region, and entire images of the cavitation vortex. Both variables were modeled on the basis of experimentally provided pressure data. The learning set consisted of pressure–image pairs. The modeling consisted in providing only pressure, while average image intensities and images of the cavitation vortex were modeled. Regression coefficients between the modeled and measured average image intensities in an interval of 0.82–0.99 confirmed the correct choice of the experimental modeling method. The entire image modeling of the cavitation vortex also gave encouraging results with regression coefficients in an interval of 0.59–0.88. The regression coefficient of the entire image modeling was lower than the regression coefficient of the average image intensity modeling due to the high dimensionality of the cavitation vortex structure. On présente une modélisation expérimentale d'une structure de la cavitation de tourbillons dans un projet de turbine Francis tube est présenté. Pression dans le projet de métro et des images de la structure tourbillonnaire ont été acquises simultanément pour l'expérience. Deux réseaux neuronaux (de base radiale non paramétriques) ont été employés pour la modélisation expérimentale. Deux variables ont été modélisés: image de l'intensité moyenne dans la région, ainsi que des images de la totalité de la cavitation tourbillon. Les deux variables étaient calquées sur la base de données expérimentale pour autant la pression. L'ensemble composé d'apprentissage pression des paires d'images. La modélisation a consisté à fournir seulement la pression, tandis que l'intensité moyenne de l'image et les images des tourbillons de cavitation ont été modélisés. Coefficients de régression entre le modélisés et mesurés image de l'intensité moyenne dans un intervalle de 0,82-0,99 confirmé le bon choix de la méthode de modélisation expérimentale. L'image de la modélisation de la cavitation tourbillon a également donné des résultats encourageants avec des coefficients de régression dans un intervalle de 0,59-0,88. Le coefficient de régression de l'ensemble de la modélisation de l'image a été plus faible que le coefficient de régression de la moyenne de la modélisation de l'image d'intensité en raison de la forte dimensionnalité de la structure de la cavitation de tourbillons. DEWEY : 627 ISSN : 0022-1686 RAMEAU : Cavitation En ligne : marko.hocevar@fs.uni.lj.si, brane.sirok@fs.uni.lj.si, bogdan.blagojevic@fs.uni.l [...]