• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Neurala nätverk som används för att förbättra prestanda hos vindkraftverk med hög effekt

    Jämförelse av resultaten erhållna med hjälp av CFD och CNN. Kredit:UPV/EHU

    Forskning vid Vitoria-Gasteiz fakulteten för teknik vid UPV/EHU har använt konvolutionella neurala nätverk för att förutsäga luftflödesegenskaper i de aerodynamiska profilerna hos vindkraftverk med hög effekt, och har visat att flödeskontrollanordningar kan studeras med dessa neurala nätverk, med tolererbara fel och en minskning av beräkningstiden med fyra storleksordningar. Studien har publicerats i Scientific Reports .

    Vindenergi har blivit en viktig källa för elproduktion och syftar till att uppnå en renare och mer hållbar energimodell. Men för att kunna konkurrera med konventionella energiresurser behöver vindkraftverkens prestanda förbättras. För att göra detta är flödeskontrollanordningar utplacerade på bärytorna för att förbättra den aerodynamiska effektiviteten hos vindturbinrotorerna.

    "Så, med samma vindkraftverk kan du producera mer megawatt, kostnaden per megawattimme minskar, och när det till exempel överförs till ett havsbaserad vindkraftverk (som är enormt), betyder det att implementeringskostnaden är försumbar, men den aerodynamiska förbättringen kan vara i området 8 eller 10 %", förklarade Unai Fernández-Gámiz, lektor vid institutionen för kärnteknik och vätskemekanik vid UPV/EHU-universitetet i Baskien.

    Simuleringar som involverar Computational Fluid Dynamics (CFD) är den mest populära metoden som används för att analysera enheter av denna typ:"Programvaran simulerar vätskors rörelse, vilket kräver avsevärd beräkningskapacitet, det vill säga mycket kraftfulla datorer och mycket beräkningstid", förklarade Fernández -Gámiz. Men under de senaste åren, med tillväxten av artificiell intelligens, har förutsägelsen av flödesegenskaper med hjälp av neurala nätverk blivit allt mer populär; i detta avseende, installerade UPV/EHU-studenten Koldo Portal-Porras ett faltningsneuralt nätverk (CNN) som bestämmer en serie parametrar som används för flödeskontroll av vindkraftverk.

    Ett snabbt, flexibelt och billigt verktyg

    Resultaten visar att CNN som föreslagits för fältförutsägelse kan exakt förutsäga de huvudsakliga flödesegenskaperna runt flödeskontrollanordningen och visar mycket små fel. När det gäller de aerodynamiska koefficienterna kan den föreslagna CNN också förutsäga dem på ett tillförlitligt sätt och kan korrekt förutsäga både trenden och värdena. "Jämfört med CFD-simuleringar minskar användningen av CNN beräkningstiden med fyra storleksordningar", säger forskaren Portal-Porras. "Snabba, nästan omedelbara resultat har uppnåtts, med ett fel på 5–6% i vissa fall. Ett ganska acceptabelt fel för en industri som i första hand söker snabba resultat", tillade Fernández-Gámiz.

    "Först lanserade vi CFD-simuleringar med två olika flödeskontrollanordningar (roterande mikroflikar och Gurney-flikar), och det gav utdata, som vi tar som verkliga och använder för att träna det konvolutionella neurala nätverket," förklarade Portal-Porras. "Vad vi gör är att infoga geometrin som indata och resultaten som erhålls via CFD som utdata. På så sätt tränas nätverket, och om vi sedan infogar en annan geometri i det med de resultat det producerade tidigare, kan det förutsäga nya hastighets- och tryckfält."

    Enligt Fernández-Gámiz har Portal-Porras kommit med "ett snabbt, flexibelt, billigt verktyg. Industrin kräver nuförtiden snabba lösningar. För att tillämpa nätverk av den här typen behöver du egentligen inte stora datorer, datorkluster etc. Vad är mer, vi har kommit fram till ett flexibelt verktyg, eftersom det kan appliceras på vilken aerodynamisk bäryta som helst, på alla typer av enhetssystem och till och med på andra typer av geometrier." Portal-Porras påpekade att nätverket är lämpligt för alla typer av vindturbiner, "men träningsdatan vi matade in var för en specifik aerodynamisk bäryta. Så om du matar in en annan aerodynamisk bäryta måste du göra hela träningsprocessen , med andra ord, infoga in- och utdata för det andra vindturbinen."

    Båda är överens om vikten av artificiell intelligens:"Detta är ett grundläggande steg om vi vill att vår industriella miljö ska vara konkurrenskraftig. Om vi ​​inte engagerar oss i artificiell intelligens kommer vi inte att driva framåt konkurrenskraften på internationella marknader." + Utforska vidare

    Bionic vingklaffar förbättrar vindenergieffektiviteten




    © Vetenskap https://sv.scienceaq.com