基于逆深度学习光线追踪的日式表面预测
机器学习
2024-08-21 v1 人工智能
摘要
聚集太阳能发电厂（CSP）在全球向可持续能源转型中发挥着关键作用。确保 CSP 厂安全和高效运行的关键因素是接收器上集中 flux 密度的分布。然而，单个日式产生的非理想 flux 密度会削弱电厂的安全性和效率。单个日式的 flux 密度受其精确表面轮廓的影响，包括倾斜和镜像误差等因素。对大量日式在运行中精确测量这些表面轮廓是一个巨大的挑战。因此，控制系统通常依赖于理想表面条件的假设，这会损害安全和运行效率。在本研究中，我们引入了逆深度学习光线追踪（iDLR），一种创新方法，旨在仅依据日式校准期间获得的目标图像来预测日式表面。我们的仿真研究表明，单个日式的 flux 密度分布中保留了足够关于日式表面的信息，使深度学习模型能够以类 deflectometry 的精度准确预测大多数日式的底层表面。此外，我们还评估了该方法的局限性，特别是关于表面精度和结果 flux 密度预测。我们还提出了一个新的综合性日式模型，采用非均匀有理 B 样条（NURBS）技术，具有潜在成为日式表面参数化新 SOTA 的可能性。我们的发现表明，iDLR 在提高 CSP 厂运行中具有重要潜力，potentially 增强电厂的整体效率和能源输出。
引用
@article{arxiv.2408.10802,
title = {Inverse Deep Learning Ray Tracing for Heliostat Surface Prediction},
author = {Jan Lewen and Max Pargmann and Mehdi Cherti and Jenia Jitsev and Robert Pitz-Paal and Daniel Maldonado Quinto},
journal= {arXiv preprint arXiv:2408.10802},
year = {2024}
}