381023 research outputs found
Sort by
Ecological impacts of offshore wind farms on flatfish with emphasis on plaice Pleuronectes platessa, a species of commercial interest in the southern North Sea
No full text
Pain is not over when the needle ends : the role of child attention to pain and parental pain attending behaviour for child pain memory
No full text
Synthesis and optimization of cadmium telluride nanoplatelets : precursor design and investigation of optical properties
No full textIn dit werk hebben, we een systematisch wetenschappelijk onderzoek uitgevoerd naar de precieze controle van de laterale grootte en dikte van cadmium telluride nanoplaatjes (CdTe NPLs) via chemische routes, met als uiteindelijk doel hun optische eigenschappen te optimaliseren. Aanvankelijk richtten we ons op de invloed van de reactiviteit van de fosfor-tellurium binding (Te=P) op de afmetingen van CdTe NPLs. Na de bereiding van deze tellurium-gebaseerde precursoren, observeerden we een duidelijke correlatie tussen de reactiviteit van tellurium precursoren en de vermindering in laterale dimensies van de CdTe NPLs. We hebben vervolgens de nucleatie- en groeikinetiek gemanipuleerd door de concentraties van additieven, waaronder oleïnezuur [OA], azijnzuur [CH3COOH] en water, te variëren. Een benadering van de optimalisatie via een ontwerp van experimenten (OVE) methode stelde ons in staat om tegelijkertijd meerdere factoren te manipuleren en hun collectieve invloed op verschillende reacties, waaronder de laterale grootte van nanoplatelets en de fotoluminescentie kwantumopbrengst, te begrijpen. Vervolgens hebben we een enkelvoudige-bron precursor, [bis(difenyl-n-propylfosfine telluride) cadmiumchloride] CdCl2[DPPTe]2, gesynthetiseerd om de productie van dikkere CdTe NPLs te vergemakkelijken. Tot slot hebben we de veelzijdigheid van CdCl2[DPPTe]2 gedemonstreerd door grotere CdTe quantum stippen te synthetiseren, waarmee het bereik van onze synthese methode kon worden uitgebreid
Bringing reinforcement learning to real-world mechatronic systems : a hybrid learning control approach
No full textMechatronische systemen zijn alomtegenwoordig geworden in de hedendaagse industrie. De conventionele regelaars die deze systemen aansturen zijn algemeen genomen robuust tegen allerhande variërende omstandigheden, maar bijgevolg suboptimaal voor specifieke condities. De immer toenemende vraag naar doorgedreven performantie en de nood om systemen te maken die minder afhankelijk zijn van de expertise van operatoren, vormen echter uitdagingen waar deze regelaars steeds vaker tekort schieten. Aan de andere kant zijn er via zelflerende regelaars die gebruik maken van AI, reinforcement learning genaamd, de voorbije jaren verwezenlijkingen behaald die voordien als onmogelijk werden beschouwd. Als nadeel, echter, zijn deze regelaars onveilig terwijl ze leren om het systeem te beheersen. In dit onderzoek bekijken we deze vooruitgang vanuit een regeltechnisch standpunt en zien we dat deze algoritmes hetzelfde probleem aanpakken als de conventionele regelaars. We ontwikkelen een raamwerk met verschillende methodes waarin beide gecombineerd worden. De robuuste controller levert de bulk van de aansturing en garandeert zo de stabiliteit, terwijl de zelflerende regelaar leert hoe dit verder geoptimaliseerd kan worden door kleine aanpassingen aan te brengen. We valideren en bestuderen de werking experimenteel en onderzoeken hoe deze regelaars zowel op korte als lange termijn erin slagen systemen te optimaliseren terwijl de veiligheid gegarandeerd blijft
