.png){kind=icon}
返回
Optimizing wind energy harvester with machine learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10483-025-3279-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
优化风能采集性能仍然是一个重大挑战。机器学习（ML）为应对这一挑战提供了一种有前景的方法。本研究提出了一种基于径向基函数神经网络（RBFNN）和差分进化（DE）的方法，用于预测和优化风能采集器（WEH）的结构参数（球形钝体的直径D、总弹簧刚度k以及压电悬臂梁的长度L）。RBFNN模型使用理论数据进行训练，并使用风洞实验结果进行验证，预测平均输出功率Pavg和气-电-机械效率ηaem的决定系数得分R2分别达到97.8%和90.3%。DE算法用于识别风速U在2.5 m/s至6.5 m/s范围内的最优参数组合。当D = 57.5 mm、k = 28.8 N/m、L = 112.1 mm且U = 4.6 m/s时，Pavg达到最大值；而当D = 52.7 mm、k = 29.2 N/m、L = 89.2 mm且U = 4.7 m/s时，ηaem达到最大值。与未优化的结构相比，WEH在Pavg和ηaem方面的性能分别提高了28.6%和19.1%。
期刊
IF:
4.8
论文数:
246
被引数:
4.5K
机构
引用论文
Effective design and characterization of flutter-based piezoelectric energy harvesters with discontinuous nonlinearities具有不连续非线性的基于颤振的压电能量收集器的有效设计和表征.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏
分享收藏分享收藏Modelling of a hydrokinetic energy converter for flow-induced vibration based on experimental data
OAAI
OAAI分享收藏
查看更多内容