Neurale netværk, der bruges til at forbedre ydeevnen af ​​vindmøller med høj effekt

Forskning ved Vitoria-Gasteiz Fakultet for Ingeniørvidenskab i UPV/EHU har brugt konvolutionelle neurale netværk til at forudsige luftstrømskarakteristika i de aerodynamiske profiler af højeffektvindmøller og har vist, at flowkontrolenheder kan studeres ved hjælp af disse neurale netværk, med tolerable fejl og en reduktion i beregningstiden på fire størrelsesordener. Undersøgelsen er blevet offentliggjort i Scientific Reports .

Vindenergi er blevet en vigtig kilde til elproduktion og sigter mod at opnå en renere og mere bæredygtig energimodel. Men for at kunne konkurrere med konventionelle energiressourcer skal vindmøllernes ydeevne forbedres. For at gøre dette er flowkontrolanordninger indsat på bærebladene for at forbedre vindmøllerotorernes aerodynamiske effektivitet.

"Så med den samme vindmølle kan du producere flere megawatt, omkostningerne per megawatttime reduceres, og når det for eksempel overføres til en havvindmølle (som er enorm), betyder det, at implementeringsomkostningerne er ubetydelige, men den aerodynamiske forbedring kan være i området 8 eller 10 %," forklarede Unai Fernández-Gámiz, underviser ved Institut for Nuklear Engineering og Fluid Mechanics ved UPV/EHU-Universitetet i Baskerlandet.

Simuleringer, der involverer Computational Fluid Dynamics (CFD) er den mest populære metode, der bruges til at analysere enheder af denne type:"Softwaren simulerer bevægelsen af ​​væsker, som kræver betydelig computerkapacitet, dvs. meget kraftfulde computere og meget computertid," forklarede Fernández - Gámiz. Men i de senere år, med væksten af ​​kunstig intelligens, er forudsigelsen af ​​flowkarakteristika ved hjælp af neurale netværk blevet stadig mere populær; i denne henseende implementerede UPV/EHU-studerende Koldo Portal-Porras et konvolutionelt neuralt netværk (CNN), der bestemmer en række parametre, der bruges til flowstyring af vindmøller.

Et hurtigt, fleksibelt og billigt værktøj

Resultaterne viser, at CNN foreslået til feltforudsigelse er i stand til nøjagtigt at forudsige de vigtigste strømningskarakteristika omkring strømningskontrolenheden og viser meget små fejl. Hvad angår de aerodynamiske koefficienter, er den foreslåede CNN også i stand til at forudsige dem pålideligt og er i stand til korrekt at forudsige både tendensen og værdierne. "Sammenlignet med CFD-simuleringer reducerer brugen af ​​CNN'er beregningstiden med fire størrelsesordener," sagde forskeren Portal-Porras. "Hurtige, næsten øjeblikkelige resultater er opnået med en fejl på 5-6 % i nogle tilfælde. En ret acceptabel fejl for en industri, der primært søger hurtige resultater," tilføjede Fernández-Gámiz.

"Først lancerede vi CFD-simuleringer ved hjælp af to forskellige flowkontrolenheder (roterende mikrotapper og Gurney-flapper), og det gav outputdataene, som vi tager som reelle og bruger til at træne det foldede neurale netværk," forklarede Portal-Porras. "Det, vi gør, er at indsætte geometrien som input og resultaterne opnået via CFD som output. På den måde trænes netværket, og hvis vi så indsætter en anden geometri i det med de resultater, det producerede tidligere, er det i stand til at forudsige nye hastigheds- og trykfelter."

Ifølge Fernández-Gámiz er Portal-Porras kommet med "et hurtigt, fleksibelt, billigt værktøj. Industri kræver i dag hurtige løsninger. For at anvende netværk af denne type behøver du ikke rigtig store computere, computerklynger osv. Hvad er mere, vi har fundet frem til et fleksibelt værktøj, fordi det kan anvendes på enhver aerodynamisk bæreflade, på alle typer enhedssystemer og endda på andre typer geometrier." Portal-Porras påpegede, at netværket er egnet til enhver type vindmølle, "men de træningsdata, vi indtastede, var for en specifik aerodynamisk bæreflade. Så hvis du indtaster en anden aerodynamisk bæreflade, ville du skulle udføre hele træningsprocessen , med andre ord, indsæt input- og outputdata for den anden vindmølle."

Begge er enige om vigtigheden af ​​kunstig intelligens:"Dette er et grundlæggende skridt, hvis vi ønsker, at vores industrielle miljø skal være konkurrencedygtigt. Hvis vi ikke involverer os i kunstig intelligens, kommer vi ikke til at drive konkurrenceevnen frem på de internationale markeder." + Udforsk yderligere

Bioniske vingeklapper forbedrer vindenergieffektiviteten