Hybrid aluminium matrix composites (HAMCs) are highly valued in manufacturing sectors but are difficult to machine conventionally due to reinforcements' inherent hardness and abrasiveness. This research finds high-speed wire electric discharge machining (WEDM) to be a potent solution for machining stir-squeeze-casted HAMC (AA2024 with ceramic nanoparticles: Al2O3, SiC, Si3N4, BN) and creating complex profiles with superior erosion characteristics. The erosion performance has been assessed in terms of material removal rate (MRR) for different profiles (plane, angular, and curve), and wire wear ratio (WWR) by employing machining variables, i.e., pulse voltage (PV), pulse current (PI), wire feed rate (WFR), pulse (P), and drum speed (DS). Results revealed that MRR_curve has highest MRR (37.84 mm3/min), followed by MRR_angular (36.07 mm3/min) and MRR_plane (34.40 mm3/min). The lowest WWR (0.0094%) was achieved at lower magnitudes of machining variables. The microscopic observations unveil shallow craters, minute-sized melt redeposits, and micro-pores on machined surface under the conditions of PV = 90 V, PI = 2 A, WFR = 13 m/min, P = 20 mu, and DS = 40 Hz. Optimization using non-dominated-sorting-genetic algorithm (NSGA-II) resulted in significant enhancements of 75.37, 73.90, and 76.01% in MRR_plane, MRR_angular, and MRR_curve, respectively, and a depreciation of 16.50% in WWR.

This study presents an innovative approach to enhancing the performance of perovskite solar cells through the integration of a functionally graded triply periodic minimal surface (FG-TPMS) layer. The research focuses on the mechanical and vibrational characteristics of doubly curved panels embedded with three distinct iterations of the FG-TPMS model: the primitive, gyroid, and wrapped package graph (IWP). By employing higher-order shear deformation theory (HSDT), the analysis accounts for the complex geometrical and material gradations within the FG-TPMS structures. An advanced analytical method utilizing trigonometric functions is developed to accurately predict the natural frequencies and mode shapes of these novel composite structures. In order to assess the vibrations of TPMS-reinforced perovskite solar cells surrounded by an elastic foundation, this work proposes the implementation of a novel Support Vector Machine (SVM)-deep neural network (DNN)-Genetic Algorithm (GA) employing mathematical modeling datasets. Using the SVM-DNN-GA algorithm, predicted accuracy is improved. In order to simulate and forecast the vibrational behavior of the reinforced solar cells, the integrated methodology makes use of the advantages of each technique. The results indicate that the integration of FG-TPMS layers significantly enhances the mechanical stability of the perovskite solar cells. The application of HSDT reveals detailed insights into the dynamic responses of the doubly curved panels, highlighting the potential for fine-tuning their vibrational characteristics to further improve solar cell performance. This research underscores the potential of FG-TPMS structures in advancing solar cell technology, providing a foundation for future studies to explore the integration of complex geometries and material gradations in photovoltaic applications.

The interest in hydrogen is rapidly expanding because of rising greenhouse gas emissions and the depletion of fossil resources. The current work focuses on employing affordable Al alloys for hydrogen production and storage to identify the most efficient alloy that performs best in each situation. In the first part of this work, hydrogen was generated from water electrolysis. The Al alloys that are being examined as electrodes in a water electrolyzer are 1050-T0, 5052-T0, 6061-T0, 6061-T6, 7075-T0, 7075-T6, and 7075-T7. The flow rate of hydrogen produced, energy consumption, and electrolyzer efficiency were measured at a constant voltage of 9 volts to identify the Al alloy that produces a greater hydrogen flow rate at higher process efficiency. The influence of the electrode surface area and water electrolysis temperature were also studied. The second part of this study examines these Al alloys' resistance to hydrogen embrittlement for applications involving compressed hydrogen gas storage, whether they are utilized as the primary vessel in Type 1 pressure vessels or as liners in Type 2 or Type 3 pressure vessels. Al alloys underwent electrochemical charging by hydrogen and Charpy impact testing, after which a scanning electron microscope (SEM) was used to investigate the fracture surfaces of both uncharged and H-charged specimens. The structural constituents of the studied alloys were examined using X-ray diffraction analysis and were correlated to the alloys' performance. Sensitivity analysis revealed that the water electrolysis temperature, electrode surface area, and electrode material type ranked from the highest to lowest in terms of their influence on improving the efficiency of the hydrogen production process. The 6061-T0 Al alloy demonstrated the best performance in both hydrogen production and storage applications at a reasonable material cost.

This paper describes a decentralised smart grid system containing renewable energies, storage systems and distributed generation with human control and intervention. The importance of each element and the interaction between them leads to think about a decision-making strategy. In fact, the integration of a Photovoltaic Panel (PVP) is used due to its availability and its participation in the carbon emissions reduction. Also, a battery is required to fill a power gap or absorb extra generated energy. Moreover, an optimal sizing is needed to get an efficient system with minimum cost. Also, an energy management strategy (EMS) is essential to ensure the power resources scheduling in order to keep a continuous equilibrium supply-demand of electricity and avoid instabilities in the grid, with guaranteeing a minimum cost of electricity. In the first part, the proposed smart grid optimal sizing is determined under real weather data (solar radiation) of the city of Sousse, Tunisia, using the Hybrid Optimization of Multiple Energy Resources (HOMER) software technique. This approach is chosen thanks to its simplicity, effectiveness, and high precision compared to traditional techniques. In this paper, several configurations (Grid, (Grid-battery), (Grid-PVP), (Grid-PVP-battery)) are studied. The obtained results prove that the (Grid-PVP-battery) system configuration is the most efficient and economical solution. In the second part, a robust energy management strategy (EMS) is proposed for two smart grid configurations (grid-battery, grid-PVP-battery). This strategy is based on Fuzzy Logic Control (FLC) thanks to its non-linear modelling and its ability to make decisions relating to energy management. The primary goal of the suggested (EMS) is to ensure the energy resources scheduling in order to keep a continuous equilibrium among the production and consumption of electricity and avoid instabilities in the grid, with guaranteeing a minimum cost of electricity. As input data, (FLC) used time-varying price electricity (Price (t)) to solve an instant decision problem by choosing, at each instant, the optimal energy source (which provide electricity at the cheapest price possible). The obtained results, carrying out Matlab simulation, prove the efficacy of the proposed strategy, not only, in the energy resources scheduling to meet the load, but also, for the system cost reduction since the PVP has been used as much as possible since it is inexpensive relative to the costs of battery capacity and the grid.

Abstract Protein sequence classification needs to be performed quickly and accurately to progress bioinformatics advancements and the production of pharmaceutical products. Extensive comparisons between large databases of known proteins and unknown sequences are necessary in traditional protein classification methods, which can be time‐consuming. This labour‐intensive and slow manual matching and classification method depends on functional and biological commonalities. Protein classification is one of the many fields in which deep learning has recently revolutionized. The data on proteins are organized hierarchically and sequentially, and the most advanced algorithms, such as Deep Family‐based Method (DeepFam) and Protein Convolutional Neural Network (ProtCNN), have shown promising results in classifying proteins into relative groups. On the other hand, these methods frequently refuse to acknowledge this fact. We propose a novel hybrid model called ProteinCNN‐BLSTM to overcome these particular challenges. To produce more accurate protein sequence classification, it combines the techniques of amino acid embedding with bidirectional long short‐term memory (BLSTM) and convolutional neural networks (CNNs). The CNN component is the most effective at capturing local features, while the BLSTM component is the most capable of modeling long‐term dependencies across protein sequences. Through the process of amino acid embedding, sequences of proteins are transformed into numeric vectors, which significantly improves the precision of prediction and the representation of features. Using the standard protein samples PDB‐14189 and PDB‐2272, we analyzed the proposed ProteinCNN‐BLSTM model and the existing deep‐learning models. Compared to the existing models, such as CNN, LSTM, GCNs, CNN‐LSTM, RNNs, GCN‐RNN, DeepFam, and ProtCNN, the proposed model performed more accurately and better than the existing models.

In this paper, we describe numerical algorithms that can be used to solve the coupled fluid–structure interaction with incompressible viscous fluid. We characterized the fluid force effects over a circular cylinder attached to an elastic rod. To resolve the coupled governing equations, the velocity profiles are approximated with quadratic polynomials (P2), while the pressure is estimated using a different space with linear polynomials (P1) using the finite element method. The discrete systems are solved using a Newton method that employs split differences to explicitly generate the Jacobian matrices. This approach enables us to address the nonlinearities at each time step and apply direct, steady techniques. The inquiry’s findings reveal a significant relationship between the behaviors related to steady streaming and the flow regimes associated with vortex shedding. In addition, at Re = 100, steady flow is characterized by minimal displacement and negligible oscillations. In contrast, the occurrence of larger oscillations at Reynolds numbers exceeding 140 suggests an increase in flow instability.

Model optimization is a problem of great concern and challenge for developing an image classification model. In image classification, selecting the appropriate hyperparameters can substantially boost the model's ability to learn intricate patterns and features from complex image data. Hyperparameter optimization helps to prevent overfitting by finding the right balance between complexity and generalization of a model. The ensemble genetic algorithm and convolutional neural network (EGACNN) are proposed to enhance image classification by fine-tuning hyperparameters. The convolutional neural network (CNN) model is combined with a genetic algorithm GA) using stacking based on the Modified National Institute of Standards and Technology (MNIST) dataset to enhance efficiency and prediction rate on image classification. The GA optimizes the number of layers, kernel size, learning rates, dropout rates, and batch sizes of the CNN model to improve the accuracy and performance of the model. The objective of this research is to improve the CNN-based image classification system by utilizing the advantages of ensemble learning and GA. The highest accuracy is obtained using the proposed EGACNN model which is 99.91% and the ensemble CNN and spiking neural network (CSNN) model shows an accuracy of 99.68%. The ensemble approaches like EGACNN and CSNN tends to be more effective as compared to CNN, RNN, AlexNet, ResNet, and VGG models. The hyperparameter optimization of deep learning classification models reduces human efforts and produces better prediction results. Performance comparison with existing approaches also shows the superior performance of the proposed model.