مقاله انگلیسی رایگان در مورد مدل سازی شبکه عصبی برای سلول های سوخت – IEEE 2019

IEEE

 

مشخصات مقاله
ترجمه عنوان مقاله چارچوب داده محور بهینه سازی مدل و مدل سازی شبکه عصبی برای سلول های سوخت میکروبی
عنوان انگلیسی مقاله A Data-Driven Based Framework of Model Optimization and Neural Network Modeling for Microbial Fuel Cells
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۱۴ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس میباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۴۱ در سال ۲۰۱۸
شاخص H_index ۵۶ در سال ۲۰۱۹
شاخص SJR ۰٫۶۰۹ در سال ۲۰۱۸
شناسه ISSN ۲۱۶۹-۳۵۳۶
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر دارد
رفرنس دارد
رشته های مرتبط زیست شناسی، مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط میکروبیولوژی، هوش مصنوعی، شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس دسترسی – IEEE Access
دانشگاه  School of Electrical Engineering and Automation, Qilu University of Technology, Jinan 250353, China
کلمات کلیدی سلول های سوخت میکروبی، بهینه سازی مدل، انتخاب متغیر، شبکه های عصبی
کلمات کلیدی انگلیسی  Microbial fuel cells, model optimization, variable selection, neural networks
شناسه دیجیتال – doi
https://doi.org/10.1109/ACCESS.2019.2951943
کد محصول  E13990
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
Abstract
I. Introduction
II. Two-Chamber Microbial Fuel Cell Model
III. Methodology
IV. Results and Discussion
V. Conclusion
Authors
Figures
References

 

بخشی از متن مقاله:
Abstract

Microbial fuel cells (MFCs) are devices that transform organic matters in wastewater into green energy. Microbial fuel cells systems have strong nonlinearity and high coupling, which involves control science, microbiology, electrochemistry and other disciplines. According to the requirements of microbial fuel cell system for model robustness and accuracy, we designed a comprehensive model optimization framework. Firstly, the influence of uncertain parameters on system was analyzed by combining global sensitivity analysis with uncertainty analysis. In accordance with analysis results, the uncertain parameters were optimized. Secondly, based on the optimized stochastic model, a simplified model was proposed by combining variable selection with neural networks. The results shown that the proposed framework can deeply analysis the influence of uncertain parameters on output, and provide theoretical basis for experimental research. It fully simplifies the original MFCs model, and has guiding significance for other types of fuel cells.

Introduction

Microbial Fuel Cells (MFCs) which required in lots of field [1]–[۳] have received a widespread concern in the past several years as a green energy. MFCs can be considered as equipment realizes a conversion of bioenergy to green energy, taking the organism as the fuel and direct generation of electricity by microbial redox reactions. Many efforts have been directed to the power generation principle and application of MFCs [4]–[۶]. The basic reaction principle is that the bacteria oxidize the substrate in the anaerobic anode through a catalyst, and the electrons generated by the anode chamber are transported to the aerobic cathode through an external circuit and form water molecules. Compared with hydrogen oxygen fuel cells and other chemical cells, MFCs use organisms as biocatalysts and possesses the advantages of high resourceusing rate, less pollution and mild reaction conditions. However, there are several obstacles constrain the development of MFCs. The main disadvantage of MFCs operation compared to other renewable energy, such as geothermal energy, tidal energy, nuclear power is the low power output, which limits the ability to drive high power devices. Over the past few years, the main direction of research was microbial cultivation, substrate analysis and electrode modification, various systems were built for different types of MFCs [7], [8]. In addition, a large number of experimental studies have also found the impact of operational parameters on MFCs performance, such as ionic concentration [9], temperature [10], [11], pH [12], substrate nitrogen concentration [13], [14], and electrode distance [15].

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *