Araştırma Makalesi
BibTex RIS Kaynak Göster

ARTIFICIAL NEURAL NETWORK MODELS OF CROSS-LINKED POLYETHYLENE

Yıl 2024, Cilt: 25 Sayı: 2, 129 - 141, 30.12.2024
https://doi.org/10.59314/tujes.1598718

Öz

Cross-linked polyethylene (XLPE) is the most widely used insulator material in high-power cables. The complex electrical permittivity of the XLPE layer mostly determines the leakage admittance of the cable and the propagation speed of the signal. The complex electrical permittivity of XLPE depends on not only operating frequency but also temperature. In this study, Artificial neural networks (ANNs) are used to model the complex electrical permittivity parts of the XLPE. The structure of the ANNs is optimized. It has been found that the optimized ANN can predict the behavior of the XLPE with an R2 value of 0.99.

Etik Beyan

This study has been supported by the research and development center of Ünika Üniversal Kablo Sanayi ve Tic. A.Ş.; Project number: UPN-2003.

Destekleyen Kurum

Ünika Üniversal Kablo Sanayi ve Tic. A.Ş.

Proje Numarası

UPN-2003

Teşekkür

This study has been supported by the research and development center of Ünika Üniversal Kablo Sanayi ve Tic. A.Ş.; Project number: UPN-2003.

Kaynakça

  • Arikan, O., Uydur, C. C., & Kumru, C. F. (2022). Prediction of dielectric parameters of an aged MV cable: A comparison of curve fitting, decision tree and artificial neural network methods. Electric Power Systems Research, 208, 107892. https://doi.org/10.1016/j.epsr.2022.107892
  • Ashok, N., Soman, K. P., Samanta, M., Sruthi, M. S., Poornachandran, P., Devi V. G, S., & Sukumar, N. (2024). Polymer and Nanocomposite Informatics: Recent Applications of Artificial Intelligence and Data Repositories. Advanced Machine Learning with Evolutionary and Metaheuristic Techniques, 297-322. https://doi.org/10.1007/978-981-99-9718-3_12
  • Boukezzi, L., & Boubakeur, A. (2013). Prediction of mechanical properties of XLPE cable insulation under thermal aging: neural network approach. IEEE Transactions on Dielectrics and Electrical Insulation, 20(6), 2125-2134. https://doi.org/10.1109/TDEI.2013.6678861
  • Cole, K. S., & Cole, R. H. (1941). Dispersion and absorption in dielectrics I. Alternating current characteristics. The Journal of chemical physics, 9(4), 341-351. https://doi.org/10.1063/1.1750906
  • Çanta, H., Mutlu, R., & Korkmaz Tan, R. (2024). Yeni Üretilen XLPE İzolasyonlu Tek Damarlı Bir Güç Kablosunun Kaçak Empedansının Hesabı. EMO Bilimsel Dergi, 14(1), 19-26.

ÇAPRAZ BAĞLI POLİETİLENİN YAPAY SİNİR AĞI MODELLERİ

Yıl 2024, Cilt: 25 Sayı: 2, 129 - 141, 30.12.2024
https://doi.org/10.59314/tujes.1598718

Öz

Çapraz bağlı polietilen (XLPE), yüksek güçlü kablolarda en yaygın kullanılan yalıtkan malzemedir. XLPE katmanının kompleks elektriksel geçirgenliği, genellikle kablonun kaçak admitansını ve sinyalin yayılma hızını belirler. XLPE'nin karmaşık elektriksel geçirgenliği, sadece çalışma frekansına değil, aynı zamanda sıcaklığa da bağlıdır. Bu çalışmada, XLPE'nin karmaşık elektriksel geçirgenlik bileşenlerini modellemek için çok katmanlı algılayıcılar Yapay Sinir Ağları (YSA) kullanılmıştır YSAların yapısı optimize edilmiştir. Optimize edilmiş YSA'nın XLPE'nin davranışını 0.99 R2 değeriyle tahmin edebildiği bulunmuştur.

Proje Numarası

UPN-2003

Kaynakça

  • Arikan, O., Uydur, C. C., & Kumru, C. F. (2022). Prediction of dielectric parameters of an aged MV cable: A comparison of curve fitting, decision tree and artificial neural network methods. Electric Power Systems Research, 208, 107892. https://doi.org/10.1016/j.epsr.2022.107892
  • Ashok, N., Soman, K. P., Samanta, M., Sruthi, M. S., Poornachandran, P., Devi V. G, S., & Sukumar, N. (2024). Polymer and Nanocomposite Informatics: Recent Applications of Artificial Intelligence and Data Repositories. Advanced Machine Learning with Evolutionary and Metaheuristic Techniques, 297-322. https://doi.org/10.1007/978-981-99-9718-3_12
  • Boukezzi, L., & Boubakeur, A. (2013). Prediction of mechanical properties of XLPE cable insulation under thermal aging: neural network approach. IEEE Transactions on Dielectrics and Electrical Insulation, 20(6), 2125-2134. https://doi.org/10.1109/TDEI.2013.6678861
  • Cole, K. S., & Cole, R. H. (1941). Dispersion and absorption in dielectrics I. Alternating current characteristics. The Journal of chemical physics, 9(4), 341-351. https://doi.org/10.1063/1.1750906
  • Çanta, H., Mutlu, R., & Korkmaz Tan, R. (2024). Yeni Üretilen XLPE İzolasyonlu Tek Damarlı Bir Güç Kablosunun Kaçak Empedansının Hesabı. EMO Bilimsel Dergi, 14(1), 19-26.
Toplam 5 adet kaynakça vardır.

Ayrıntılar

Birincil Dil İngilizce
Konular Malzeme Tasarım ve Davranışları, Sayısal Modelleme ve Mekanik Karakterizasyon, Makine Mühendisliği (Diğer)
Bölüm Araştırma Makalesi
Yazarlar

Rabia Korkmaz Tan 0000-0002-3777-2536

Hakan Çanta 0009-0004-2013-1478

Reşat Mutlu 0000-0003-0030-7136

Proje Numarası UPN-2003
Yayımlanma Tarihi 30 Aralık 2024
Gönderilme Tarihi 9 Aralık 2024
Kabul Tarihi 19 Aralık 2024
Yayımlandığı Sayı Yıl 2024 Cilt: 25 Sayı: 2

Kaynak Göster

IEEE R. Korkmaz Tan, H. Çanta, ve R. Mutlu, “ARTIFICIAL NEURAL NETWORK MODELS OF CROSS-LINKED POLYETHYLENE”, TUJES, c. 25, sy. 2, ss. 129–141, 2024, doi: 10.59314/tujes.1598718.