Return to search

Χρήση νευρωνικών δικτύων για εκτίμηση της τάσης διάσπασης διάκενων με υγρά διηλεκτρικά

Το ολοένα και μεγαλύτερο πρόβλημα, της ολοκληρωτικής εξάντλησης των αποθεμάτων του πετρελαίου το οποίο παρουσιάζεται στην βιομηχανία τα τελευταία χρόνια όλο και περισσότερο, έχει σοβαρό αντίκτυπο όπως είναι λογικό και στα παράγωγα αυτού και στην βιομηχανία που τα χρησιμοποιεί σαν πρώτο υλικό. Πιο συγκεκριμένα, στα Δίκτυα Υψηλής Τάσης Εναλλασσόμενου Ρεύματος η μόνωση του εξοπλισμού και των εγκαταστάσεων υψηλής τάσης είναι απαραίτητη προκειμένου να διατηρηθεί η διαφορά δυναμικού μεταξύ των υπό υψηλή τάση αγώγιμων μερών, η μηχανική στήριξη των αγωγών, η ανταλλαγή θερμότητας, κ.ά. Στον τομέα των ηλεκτροτεχνικών υγρών που χρησιμοποιούνται για αυτό τον σκοπό, βασική μας μελέτη ήταν η αντικατάσταση των όποιων μονωτικών υγρών χρησιμοποιούνταν μέχρι τώρα (συνήθως ορυκτελαίων κ.ά.) με έλαια φυτικής προέλευσης τα οποία προφανώς δεν επηρεάζονται από την εξάντληση του πετρελαίου που προ αναφέραμε αλλά και παρουσιάζουν κάποια βασικά πλεονεκτήματα τα οποία παρουσιάζονται στην παρούσα εργασία.

Βασική μας ενασχόληση ήταν να περιγραφεί η συμπεριφορά των μονωτικών υγρών μέσω του επιστημονικού κλάδου της αναγνώρισης προτύπων. Πιο συγκεκριμένα , μέσω πειραματικών διαδικασιών που πραγματοποιήθηκαν στο Εργαστήριο Υψηλής Τάσης , έγινε η διάσπαση των υγρών υπό την επίδραση Υψηλής Τάσης και στη συνέχεια η μάθηση και η Εκπαίδευση Τεχνητού Νευρωνικού Δικτύου. Τα τεχνητά νευρωνικά δίκτυα χρησιμοποιήθηκαν στην παρούσα διπλωματική εργασία καθώς μπορούν να περιγράψουν μη γραμμικές σχέσεις μεταξύ εισόδου και εξόδου κάτι το οποίο συμβαίνει στην διάσπαση υγρών διηλεκτρικών υπό υψηλή τάση καθώς και γενικεύοντας μπορούμε να μελετάμε την συμπεριφορά των υγρών υπό την έκθεση πολύ υψηλών τάσεων , όπου στο εργαστήριο θα είναι αδύνατη η εφαρμογή τους.

Eκτενέστερα στο 1ο Κεφάλαιο , της διπλωματικής εργασίας ασχολούμαστε με τα μονωτικά υγρά και τις ιδιότητες αυτών. Η χρήση τους είναι απαραίτητη στους μετασχηματιστές ,πυκνωτές , καλώδια , μονωτήρες διέλευσης κ.α. Επίσης , όσον αφορά τα μονωτικά υγρά που χρησιμοποιούνται ευρέως,τα ορυκτέλαια, αναφέρονται οι φυσικές και χημικές ιδιότητες τους και αναλύονται οι ηλεκτρικές τους ιδιότητες. Επιπλέον αναλύονται και οι ιδιότητες των φυσικών εστέρων ως μονωτικό μέσο σε μετασχηματιστές ισχύος και η γενική συμπεριφορά των υγρών υπό την επίδραση υψηλού ηλεκτρικού πεδίου.

Στο 2ο Κεφάλαιο αναλύουμε τα τεχνητά νευρωνικά δίκτυα. Η αναγνώριση προτύπων σαν επιστημονικός κλάδος και οι τεχνικές του, όπως αυτή των νευρωνικών δικτύων μας εισάγουν στην δημιουργία συστημάτων τα οποία μπορούμε να δημιουργήσουμε, να εκπαιδεύσουμε και στην συνέχεια ελέγχοντας την αξιοπιστία τους μέσω της στατιστικής, να εργαστούμε πάνω σε αυτά. Η απαρχή των τεχνητών νευρωνικών δικτύων, οι βιολογικοί νευρώνες δηλαδή του εγκεφάλου, είναι η βάση όλων των συστημάτων και εν συνεχεία αφού περιγράφεται η ιστορική αναδρομή των τεχνητών δικτύων αναλύουμε την φύση των δικτύων οπισθοδρόμησης (Back Propagation) όπου είναι και τα δίκτυα που χρησιμοποιήθηκαν στην παρούσα διπλωματική εργασία .

Στο 3ο Κεφάλαιο εισάγουμε την δημιουργία τεχνητών νευρωνικών δικτύων στο περιβάλλον Μatlab. Αφού δημιουργήσαμε το κατάλληλο νευρωνικό δίκτυο, και το εκπαιδεύσαμε μελετήσαμε την καταλληλότητα του δικτύου και κατά πόσο αυτό θα μπορεί να μας δώσει αξιόπιστα αποτελέσματα προσομοιώνοντας την πειραματική διαδικασία του εργαστηρίου σε συνθήκες κατάλληλες και ακατάλληλες , εξετάζοντας δηλαδή τα πειραματικά δεδομένα με εισαγωγή στοιχείων κατάλληλα για το εργαστήριο, αλλά και στοιχείων που δεν είναι δυνατή η πραγματοποίηση τους στο εργαστήριο .

Στο Κεφάλαιο Συμπεράσματα , εν τέλει αναλύουμε και συνοψίζουμε την καταλληλότητα του πειράματος που πραγματοποιήσαμε καθώς και κατά πόσο το νευρωνικό δίκτυο είναι αξιόπιστο, καθώς και οι λόγοι που το καθιστούν . / The growing problem of complete exhaustion of oil reserves, which occurred in the industry in recent years increasingly has a serious impact as is reasonable to derivatives and in industry as they are used as first material. More specifically, networks Ac high-voltage insulation of equipment and installations of high voltage is necessary in order to maintain the potential difference between the high voltage conductive parts, mechanical support of pipelines, heat exchange.In the volume of liquids used for this purpose, our main study was the replacement of any insulating liquids used so far with vegetable oils which apparently are not affected by the depletion of oil before mentioned but also show some key advantages that occur in this task.

Our main preoccupation was to describe the behaviour of insulation liquids through the scientific branch of pattern recognition. More specifically, through experimental procedures carried out in high-voltage Laboratory, became the Division of fluid under the influence of high voltage and then learning and education of artificial Neural Network. Artificial neural networks used in the present study together can describe nonlinear relationships between input and output something that happens in breaking liquid dielectrics under high voltage and whilst generally applying to studying the behavior of liquids in the report very high voltages in the laboratory, where it will be impossible to implement them.

Furthermore in 1st Chapter of study we occupate with insulating fluids and properties. Their use is indispensable to transformers, capacitors, cables, insulators, transit etc. Also as regards insulating liquids that are widely used, mineral oils, referred to the physical and chemical properties and the electrical properties. Additional analyses and properties of natural esters as insulating power and instrument transformers in the General behaviour of liquids under high electric field.

In the 2nd Chapter analyze the artificial neural networks. The recognition of standards as a scientific discipline and techniques, such as neural networks we introduce in creating systems that we can create, to educate them and then checking the reliability of statistics, to work on them. The beginnings of artificial neural networks, biological neurons of the brain, is the basis of all systems and subsequently after describes the history of artificial networks analyse the nature of networks backwards (Back Propagation) and networks where they are used in this thesis.

In the 3rd Chapter introduce the creation of artificial neural networks in Matlab environment. After you have created the appropriate neural network, and then by training have judged the appropriateness of the network and whether it can give reliable results by simulating the experimental procedure of laboratory conditions appropriate and inappropriate, considering that the experimental data with input suitable for laboratory but also items that cannot be made in the laboratory.

In chapter Conclusions, ultimately analysing and concluding the suitability of the experiment held and whether the neural network is reliable, and the reasons that make it.

Identiferoai:union.ndltd.org:upatras.gr/oai:nemertes:10889/4659
Date03 October 2011
CreatorsΑθανασίου, Ανδρέας
ContributorsΠυργιώτη, Ελευθερία, Athanasiou, Andreas, Αλεξανδρίδης, Αντώνιος
Source SetsUniversity of Patras
Languagegr
Detected LanguageGreek
TypeThesis
Rights0

Page generated in 0.0033 seconds