基于马哈拉里斯距离的气体涡轮系统操作卓越的领域信息
机器学习
2025-07-14 v1
摘要
人工智能（AI）在热力学发电厂的领域一致采用率较低，这是由于 AI 算法的黑箱本质以及传统数据中心分析中对领域知识的低表示。在本文中，我们发展了一个基于马哈拉里斯距离的 OPTimization（MAD-OPT）框架，将马哈拉里斯距离的约束引入以纳入领域知识。我们开发的 MAD-OPT 框架应用于最大化热效率和最小化涡轮热耗的 395 MW 容量气体涡轮系统。我们展示了 MAD-OPT 框架能够在不同环境条件下估计领域信息驱动的最优工艺条件，最优解经蒙特卡罗模拟评估后表现稳健。我们还将 MAD-OPT 框架应用于估计气体涡轮系统设计功率输出限制之外的最优工艺条件，结果与电厂实际数据相当。我们展示，在不纳入领域信息约束的情况下实施数据中心优化分析可能提供无效的解决方案，无法在气体涡轮系统的实际运行中实施。该研究推动了数据驱动领域知识与机器学习驱动的分析集成，增强了领域信息驱动的操作卓越，为热力学发电系统的安全 AI 采用铺平了道路。
引用
@article{arxiv.2507.08697,
title = {Domain-Informed Operation Excellence of Gas Turbine System with Machine Learning},
author = {Waqar Muhammad Ashraf and Amir H. Keshavarzzadeh and Abdulelah S. Alshehri and Abdulrahman bin Jumah and Ramit Debnath and Vivek Dua},
journal= {arXiv preprint arXiv:2507.08697},
year = {2025}
}