Computational Problems Of Electrical Engineering. – 2021. – Vol. 11, No. 2

Permanent URI for this collection

Науково-технічний журнал

Засновник і видавець Національний університет «Львівська політехніка». Виходить двічі на рік з 2011 року.

Computational Problems of Electrical Engineering = Обчислювальні проблеми електротехніки : науково-технічний журнал / Lviv Politechnic National University ; editor-in-chief Yuriy Bobalo. – Lviv : Lviv Politechnic Publishing House, 2021. – Volume 11, number 2. – 58 p.

Зміст


1
12
18
26
32
38
43
45

Content (Vol. 11, No 2)


1
12
18
26
32
38
43
45

Browse

Recent Submissions

Now showing 1 - 8 of 8
  • Item
    Preparation of Papers for CPEE(English)
    (Видавництво Львівської політехніки, 2021-10-10)
  • Item
    Electrical Interaction of Electron-Proton Tandem
    (Видавництво Львівської політехніки, 2021-10-10) Чабан, Василь; Tchaban, Vasyl; Lviv Polytechnic National University
    На основі адаптованого закону Кулона на випадок рухомих мас з урахуванням скінченної швидкости поширення електричного поля одержано диференціальні рівняння електромеханічного стану тандема “електронпротон”. Просимульовано реальні стани, а також низку нереальних перехідних станів захоплення електрона протоном на власну орбіту. Наперекір заборонам квантової фізики в полі мікросвіту введено математичне поняття електромеханічної чорної діри з радіусом 15 5.6358 10-= × emr на кшталт тієї, що існує в небесній механіці. Просимульовано перехідні процеси, що засвідчують колапс законів електрики і механіки за порогом r(t) < rem. З цього приводу розпочато дискусію.
  • Item
    Ways and Methods of Improving the Effciency of Overhead Power Line
    (Видавництво Львівської політехніки, 2021-10-10) Савєльєв, Артем; Saveliev, Artem; Odessa Polytechnic State University
    В роботі проаналізовано використовувані методи та шляхи підвищення ефективності передачі електроенергії в повітряних лініях електропередачі. Розглянуто роль та місце електричної енергії в загальній структурі енергоспоживання, способи її транспортування, види втрат, які виникають під час транспортування електричної енергії, та шляхи зменшення цих втрат. На підставі літературних джерел досліджено структуру втрат в лініях передачі. У проведеному огляді літератури вказується, що не розглядався такий вид втрат, як втрати за рахунок неузгодженості навантаження з лінією. Проаналізовано шляхи досягнення та можливості підтримання роботи лінії в режимі узгодженого навантаження.
  • Item
    Correlation of the Glass Transition Temperature and Average Energetic Connectivity in Network Chalcogenide Glasses
    (Видавництво Львівської політехніки, 2021-10-10) Шпотюк, Михайло; Шпотюк, Олег; Shpotyuk, Mykhaylo; Shpotyuk, Oleh; Lviv Polytechnic National University; Vlokh Institute of Physical Optics, Lviv, Ukraine; R&D Enterprise “Electron-Carat”, Lviv, Ukraine; Jan Długosz University in Częstochowa, Czestochowa, Poland
    У статті критично проаналізовано кореляційне співвідношення між температурою розм’якшення Tg і середньою енергією зв’язків E, отримане для халькогенідних стекол в L. Tichý & H. Tichá [J. Non-Cryst. Solids, 189, 1995]. В результаті показано, що його було отримано з використанням неправильних розрахунків середньої енергетичної пов’язаності E через некоректне застосування різних процедур усереднення для різних доданків цього параметра, а тому це співвідношення не можна застосовувати на практиці. Алгоритм обчислення середньої енергетичної пов’язаності скоректовано шляхом усереднення і енергії “сіткової частини матриці” Ec (гетерополярних зв’язків), і енергії зв’язків “залишкової матриці” Erm (енергії гомополярних зв’язків) на один атом формульної одиниці скла, а також врахування неможливості формування ковалентних хімічних зв’язків між катіонами різного виду. На прикладі 145 типових представників ковалентно пов’язаних сіткових халькогенідних стекол (системи типу Ge-As-S/Se) показано, що реальна лінійна кореляція між температурою розм’якшення Tg і їх енергетичною пов’язаністю E може визначатись співвідношенням T @ ×(E - 94.0326 ) g .
  • Item
    Multilayer Neural Networks – As Determined Systems
    (Видавництво Львівської політехніки, 2021-10-10) Свелеба, Сергій; Бригілевич, Володимир; Катеринчук, Іван; Куньо, Іван; Карпа, Іван; Семотюк, Остап; Шмигельський, Ярослав; Свелеба, Назар; Sveleba, Sergii; Brygilevych, Volodymyr; Katerynchuk, Ivan; Kuno, Ivan; Karpa, Ivan; Semotiuk, Ostap; Shmyhelskyy, Yaroslav; Sveleba, Nazar; Ivan Franko National University of Lviv; State Higher School of Technology and Economics in Jarosław, Poland; Ukrainian Academy of Printing
    В роботі досліджено вплив швидкості навчання (η) на процес навчання багатошарової нейронної мережі. Програма для багатошарової нейронної мережі була написана мовою Python. Швидкість навчання розглядалась як постійна величина і визначалась її оптимальна величина, за якої досягалось найкраще навчання. Для аналізу впливу швидкості навчання використовувалась логістична функція, яка описує процес навчання. Показано, що функція похибки навчання характеризується біфуркаційними процесами, які призводять до хаотичного стану, якщо η>0,8. Визначено оптимальне значення швидкості навчання, яке визначає появу процесу подвоєння кількості локальних мінімумів, і становить для тришарової нейронної мережі з 4 нейронами в кожному шарі η=0,62. Збільшення кількості прихованих шарів (3÷30), та кількості нейронів у кожному шарі (4÷150) не приводить до кардинальної зміни діаграми логістичної функції (xn,η), а отже, і оптимальної величини швидкості навчання.
  • Item
    Criterion Modelling of the Process of Redundancy of Renewable Energy Sources Power Generation Instability by Electrochemical Accumulators
    (Видавництво Львівської політехніки, 2021-10-10) Лежнюк, Петро; Комар, Вячеслав; Рубаненко, Олена; Lezhniuk, Petro; Komar, Viacheslav; Rubanenko, Olena; Vinnytsia National Technical University
    В роботі аналізуються методи і способи резервування нестабільності генерування відновлюваних джерел енергії (ВДЕ) в електроенергетичних системах (ЕЕС). Показано, що це можуть бути маневрені потужності, зокрема теплові та гідроелектростанції, накопичувачі електроенергії, водневі технології, біогазові установки. Обгрунтовано, що з різних причин для розбудови і нарощування потужності ВДЕ в енергосистемах найбільш підготовленими для впровадження є електрохімічні накопичувачі та існуючі в ЕЕС високоманеврені потужності. Для них розроблено математичні моделі на основі теорії подібності і критеріального методу. Надано перевагу такому підходу через те, що він за мінімально доступної вихідної інформації забезпечує можливість порівнювати між собою різні способи резервування нестабільності генерування ВДЕ, оцінювати їх співрозмірність, а також визначfти чутливість витрат до потужності способів резервування. Сформовано критеріальні моделі, які дозволяють побудувати залежності витрат на резервування нестабільності генерування ВДЕ від потужності накопичувачів електрохімічного типу, від потужності системного резерву, а також від пропускної здатності ліній електропередачі. Такі залежності дають можливість обґрунтованіше обирати ті чи інші способи резервування відповідно до характеристик і вимог ЕЕС.
  • Item
    Research into Machine Learning Algorithms for the Construction of Mathematical Models of Multimodal data Classification Problems
    (Видавництво Львівської політехніки, 2021-10-10) Бойко, Наталія; Boyko, Nataliya; Lviv Polytechnic National University
    Сьогодні алгоритми машинного навчання (ML) все більше інтегруються у повсякденне життя. Можна навести безліч сфер сучасного життя, де вже застосовуються методи класифікації. Досліджуються методи, які враховують попередні передбачення та помилки, які обчислюються в результаті інтегрування даних задля отримання прогнозів, для отримання результату класифікації. Проведено загальний огляд методів класифікації. Здійснено експерименти над алгоритмами машинного навчання для мультимодальних даних. Важливо враховувати всі характеристики метрик та ознак під час використання алгоритмів ML для прогнозування мультимодальних даних. В роботі проаналізовано основні переваги та недоліки алгоритмів Gradient Boosting, Random Forest, Logistic Regression та XGBoost.