000			04377namaa22004331i 4500
003			OSt
005			20250512120947.0
008			250429s2024 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a621.406
092			_a621.406 _221
097			_aM.Sc
099			_aCai01.13.07.M.Sc.2024.Ab.O
100	0		_aAbdelhamid Nabeel Sadek Rizk Younes, _epreparation.
245	1	0	_aOptimized wind turbine performance via ai-based collective pitch angle control / _cby Abdelhamid Nabeel Sadek Rizk Younes ; Supervisors Prof. Essam El-Din Mohamed Aboul Zahab, Prof. Abdel-Latif Mohamed Rajaei El-Shafei, Prof. Ahmed Abdel Nasser Lasheen.
246	1	5	_aأداء أمثل لتوربينات الرياح من خلال التحكم جماعياً في زوايا الشفرات بإستخدام الذكاء الاصطناعي /
264		0	_c2024.
300			_a138 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2024.
504			_aBibliography: pages 127-138.
520			_aThe thesis presents the development and evaluative study of two novel model-free artificial intelligence (AI) based collective pitch control strategies for wind energy conversion systems (WECS). It aims to achieve stabilization of generator speed and power output at rated values, diminish fluctuations, lower computational expenses, and improve overall system optimality. The initial approach introduces a cascaded-forward neural network-based controller (CNN-C), utilizing a supervised learning paradigm for its configuration. The subsequent strategy proposes a fuzzy-based deep deterministic policy gradient (F-DDPG) controller, incorporating imitation learning and deep reinforcement learning in its design. The simulation tests are conducted using the high-fidelity Wind Energy Conversion Systems (WECS) OpenFAST/MATLAB/Simulink simulation tools.
520			_aتقدم هذه الأطروحة تطويرًا ودراسة تقييمية لاستراتيجيتين جديدتين للتحكم الجماعي في زوايا شفرات تربينات الرياح. تعتمد كل منهما على الذكاء الاصطناعي وخالية من النمذجة الرياضية المعقدة لهذه التوربينات. تهدف هذه المتحكمات إلى تحقيق استقرار سرعة المولد وإخراج الطاقة عند القيم المقننة، وتقليل التقلبات، وخفض النفقات الحسابية، وتحسين الأداء الأمثل للنظام بشكل عام عند سرعات الرياح العالية فوق المقننة. يقدم النهج الأولي وحدة تحكم قائمة على الشبكة العصبية المتتالية (CNN-C)، باستخدام نموذج التعلم الخاضع للإشراف لتكوينه. تقترح الإستراتيجية اللاحقة وحدة تحكم متدرجة للسياسة الحتمية العميقة قائمة على الضبابية (F-DDPG)، تتضمن عناصر التعلم بالتقليد والتعلم المعزز العميق في تصميمها. يتم إجراء اختبارات المحاكاة باستخدام أدوات المحاكاة (فاست و ماتلاب) عالية الدقة وذلك للتأكيد على التفوق في الأداء مقارنة بالمتحكمات التقليدية.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		7	_aTurbine _2qrmak
653		0	_aPitch angle control _aWind turbines _aReinforcement Learning _aFuzzy Logic _aNeural Networks
700	0		_aEssam El-Din Mohamed Aboul Zahab _ethesis advisor.
700	0		_aAbdel-Latif Mohamed Rajaei El-Shafei _ethesis advisor.
700	0		_aAhmed Abdel Nasser Lasheen _ethesis advisor.
900			_b01-01-2024 _cEssam El-Din Mohamed Aboul Zahab _cAbdel-Latif Mohamed Rajaei El-Shafei _cAhmed Abdel Nasser Lasheen _dKhaled Ali El-Metwally _dHany Mohamed Hasanin _UCairo University _FFaculty of Engineering _DDepartment of Electric Power Engineering
905			_aShimaa _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171793