A purely data-driven deep learning digital twin approach for a heliostat field for flux density predictions

Kuhl, Mathias (2022) A purely data-driven deep learning digital twin approach for a heliostat field for flux density predictions. SFERA III / 16th SOLLAB Doctoral Colloquium, 2022-09-12 - 2022-09-14, Zürich, Schweiz.

PDF - Nur DLR-intern zugänglich
1MB

elib-URL des Eintrags:

https://elib.dlr.de/193388/

Dokumentart:

Konferenzbeitrag (Vortrag)

Titel:

A purely data-driven deep learning digital twin approach for a heliostat field for flux density predictions

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Kuhl, Mathias	mathias.kuhl (at) dlr.de	https://orcid.org/0000-0003-0097-7260	NICHT SPEZIFIZIERT

Datum:

12 September 2022

Referierte Publikation:

Nein

Open Access:

Nein

Gold Open Access:

Nein

In SCOPUS:

Nein

In ISI Web of Science:

Nein

Status:

veröffentlicht

Stichwörter:

CSP, Machine Learning, Digital Twin, Artificial Intelligence, Flux Density Prediction

Veranstaltungstitel:

SFERA III / 16th SOLLAB Doctoral Colloquium

Veranstaltungsort:

Zürich, Schweiz

Veranstaltungsart:

internationale Konferenz

Veranstaltungsbeginn:

12 September 2022

Veranstaltungsende:

14 September 2022

Veranstalter :

ETH Zürich

HGF - Forschungsbereich:

Energie

HGF - Programm:

Energiesystemdesign

HGF - Programmthema:

Digitalisierung und Systemtechnologie

DLR - Schwerpunkt:

Energie

DLR - Forschungsgebiet:

E SY - Energiesystemtechnologie und -analyse

DLR - Teilgebiet (Projekt, Vorhaben):

E - Energiesystemtechnologie, R - Künstliche Intelligenz

Standort:

Köln-Porz

Institute & Einrichtungen:

Institut für Solarforschung > Solare Kraftwerktechnik

Hinterlegt von:

Kuhl, Mathias

Hinterlegt am:

25 Jan 2023 13:38

Letzte Änderung:

24 Apr 2024 20:54

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags