Onderzoek aan de Faculteit Ingenieurswetenschappen van Vitoria-Gasteiz van de UPV/EHU heeft convolutionele neurale netwerken gebruikt om luchtstroomkarakteristieken in de aerodynamische profielen van krachtige windturbines te voorspellen, en heeft aangetoond dat flow control-apparaten kunnen worden bestudeerd met behulp van deze neurale netwerken, met toelaatbare fouten en een vermindering van de rekentijd van vier ordes van grootte. De studie is gepubliceerd in Scientific Reports .

Windenergie is een belangrijke bron van elektriciteitsopwekking geworden en streeft naar een schoner, duurzamer energiemodel. Om te kunnen concurreren met conventionele energiebronnen, moeten de prestaties van windturbines echter worden verbeterd. Om dit te doen, worden stroomregelapparatuur op de draagvlakken ingezet om de aerodynamische efficiëntie van de rotoren van de windturbine te verbeteren.

"Dus met dezelfde windturbine kun je meer megawatt produceren, de kosten per megawattuur gaan omlaag, en wanneer dat wordt overgedragen aan bijvoorbeeld een offshore windturbine (die enorm is), betekent dat de implementatiekosten te verwaarlozen zijn, maar de aerodynamische verbetering kan in de buurt van 8 of 10 % liggen", legt Unai Fernández-Gámiz uit, docent aan de afdeling Nucleaire Techniek en Vloeistofmechanica van de UPV/EHU-universiteit van Baskenland.

Simulaties met Computational Fluid Dynamics (CFD) zijn de meest populaire methode om apparaten van dit type te analyseren:"De software simuleert de beweging van vloeistoffen, wat een aanzienlijke rekencapaciteit vereist, d.w.z. zeer krachtige computers en veel rekentijd", legt Fernández uit. -Gamiz. Maar de laatste jaren, met de groei van kunstmatige intelligentie, is het voorspellen van stromingskenmerken door middel van neurale netwerken steeds populairder geworden; in dit opzicht heeft de UPV/EHU-student Koldo Portal-Porras een convolutioneel neuraal netwerk (CNN) ingezet dat een reeks parameters bepaalt die worden gebruikt voor de stroomregeling van windturbines.

Een snelle, flexibele en goedkope tool

De resultaten laten zien dat de CNN die wordt voorgesteld voor veldvoorspelling in staat is om de belangrijkste stroomkarakteristieken rond het stroomregelapparaat nauwkeurig te voorspellen, waarbij zeer kleine fouten worden weergegeven. Wat betreft de aerodynamische coëfficiënten, de voorgestelde CNN kan ze ook betrouwbaar voorspellen en kan zowel de trend als de waarden correct voorspellen. "Vergeleken met CFD-simulaties, vermindert het gebruik van CNN's de rekentijd met vier ordes van grootte", zei de onderzoeker Portal-Porras. "Er zijn snelle, bijna onmiddellijke resultaten bereikt, met in sommige gevallen een fout van 5 tot 6%. Een redelijk aanvaardbare fout voor een sector die vooral snelle resultaten zoekt", voegt Fernández-Gámiz toe.

"Eerst lanceerden we CFD-simulaties met behulp van twee verschillende stroomregelapparaten (roterende microtabs en Gurney-flappen), en dat leverde de uitvoergegevens op, die we als echt beschouwen en gebruiken om het convolutionele neurale netwerk te trainen", legt Portal-Porras uit. "Wat we doen, is de geometrie invoegen als invoer en de resultaten verkregen via CFD als uitvoer. Op die manier wordt het netwerk getraind en als we er dan een andere geometrie in invoegen met de eerder geproduceerde resultaten, is het in staat om de nieuwe snelheids- en drukvelden."

Volgens Fernández-Gámiz heeft Portal-Porras "een snelle, flexibele, goedkope tool bedacht. De industrie vraagt ​​tegenwoordig om snelle oplossingen. Om dit soort netwerken toe te passen heb je niet echt grote computers, computerclusters, enz. meer, we hebben een flexibel hulpmiddel bedacht, omdat het kan worden toegepast op elk aerodynamisch vleugelprofiel, op alle soorten apparaatsystemen en zelfs op andere soorten geometrieën." Portal-Porras wees erop dat het netwerk geschikt is voor elk type windturbine, "maar de trainingsgegevens die we invoerden waren voor een specifiek aerodynamisch draagvlak. Dus als je een ander aerodynamisch draagvlak invoert, zou je het hele trainingsproces moeten doen , met andere woorden, vul de invoer- en uitvoergegevens van de andere windturbine in."

Beiden zijn het eens over het belang van kunstmatige intelligentie:"Dit is een fundamentele stap als we willen dat onze industriële omgeving concurrerend is. Als we niet betrokken raken bij kunstmatige intelligentie, zullen we het concurrentievermogen op internationale markten niet bevorderen." + Verder verkennen

Bionische vleugelkleppen verbeteren de efficiëntie van windenergie