<div class="csl-bib-body">
<div class="csl-entry">Gütl, E. (2019). <i>Data-driven modelling of a fixed bed regenerator using machine learning in tensorflow</i> [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2019.61229</div>
</div>
-
dc.identifier.uri
https://doi.org/10.34726/hss.2019.61229
-
dc.identifier.uri
http://hdl.handle.net/20.500.12708/2728
-
dc.description
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
-
dc.description.abstract
Die zunehmende Digitalisierung wirkt sich auf unser tägliches Leben aus und führt zu einer sich verändernden Arbeitswelt und Gesellschaft. Die Anwendungsbereiche von Digitalisierungsmethoden sind breit und nicht immer direkt ersichtlich. Diese Arbeit stellt einen konkreten Anwendungsfall dar, wie Digitalisierung im Energiesektor einsetzt werden kann. Als Anwendungsfall dient ein Festbettregenerator, ein sensibler thermischer Energiespeicher. Auf der einen Seite wird ein datengetriebenes Modell des Energiespeichers mithilfe von maschinellem Lernen in Tensorflow erstellt. Auf der anderen Seite wird gezeigt, wie die Bereitstellung eines maschinellen Lernmodells in die Produktion funktioniert. Eine Einführung in das Referenzarchitekturmodell RAMI-4.0 wird gegeben, das die Implementierung von Industrie 4.0 Methoden beschreibt. Um ein datengetriebenes Modell zu erstellen, das die Lade- und Entladezyklen des Festbettregenerators vorhersagt, wird die Modellierungstechnik "Long Short-Term Memory" (LSTM) verwendet, eine Art von künstlich neuronalem Netzwerk. Insgesamt werden drei verschiedene LSTM-Modelle des Energiespeichers erstellt. Die LSTM-Modelle folgen zwar dem Haupttrend in den Daten, sagen jedoch den Verlauf der wahren Kurven mit erheblichen Abweichungen voraus. Möglicherweise sind mehr Daten und andere datengetriebene Modellierungsansätze erforderlich, um genauere Vorhersagen zu erzielen.
de
dc.description.abstract
The increasing digitalization influences our daily lifes and leads to a changing working world and society. The application areas of digital technologies are wide and not always directly evident. This thesis gives an example, how digitalization technologies can be applied in the energy sector. As a use case, a fixed bed regenerator, a sensible thermal energy storage, is used. On the one hand, a data-driven model of the storage is built by using Machine Learning in Tensorflow. On the other hand it is explained how the deployment of a Machine Learning model into production works. An introduction to the reference architecture model RAMI-4.0 is given, which describes the implementation of industry 4.0 methods. In order to create a data-driven model that predicts the loading and unloading cycles of the fixed bed regenerator, the modelling technique '"Long Short-Term Memory" (LSTM), a kind of Artificial Neural Network is used. In total, three different LSTM models of the storage are built. Although the LSTM models manage to follow the main trend in the data, they predict the course of the true curves with considerable deviations. More data and different data-driven modelling approaches might be required to achieve more accurate predictions.
en
dc.language
English
-
dc.language.iso
en
-
dc.rights.uri
http://rightsstatements.org/vocab/InC/1.0/
-
dc.subject
Thermische Energiespeicher
de
dc.subject
Künstlich Neuronales Netz
de
dc.subject
Datengetriebene Modellierung
de
dc.subject
thermal energy storage
en
dc.subject
artificial neural network
en
dc.subject
data-driven modelling
en
dc.title
Data-driven modelling of a fixed bed regenerator using machine learning in tensorflow
en
dc.title.alternative
Datengetriebene Modellierung eines Festbettregenerators mittels Machine Learning im Tensorflow
de
dc.type
Thesis
en
dc.type
Hochschulschrift
de
dc.rights.license
In Copyright
en
dc.rights.license
Urheberrechtsschutz
de
dc.identifier.doi
10.34726/hss.2019.61229
-
dc.contributor.affiliation
TU Wien, Österreich
-
dc.rights.holder
Elisabeth Gütl
-
dc.publisher.place
Wien
-
tuw.version
vor
-
tuw.thesisinformation
Technische Universität Wien
-
dc.contributor.assistant
Halmschlager, Verena
-
tuw.publication.orgunit
E302 - Institut für Energietechnik und Thermodynamik