استفاده از شبکه های عصبی برای بهبود عملکرد توربین های بادی با قدرت بالا

8 آگوست 2022 -توسط دانشگاه باسک -مقایسه نتایج به دست آمده با استفاده از CFD و CNN. اعتبار: UPV/EHU

تحقیقات در دانشکده مهندسی ویتوریا-گاستیز UPV/EHU از شبکه‌های عصبی کانولوشن برای پیش‌بینی ویژگی‌های جریان هوا در پروفایل‌های آیرودینامیکی توربین‌های بادی پرقدرت استفاده کرده است و نشان داده است که دستگاه‌های کنترل جریان را می‌توان با استفاده از این شبکه‌های عصبی مطالعه کرد. خطاهای قابل تحمل و کاهش در زمان محاسباتی چهار مرتبه بزرگی. این مطالعه در Scientific Reports منتشر شده است.

انرژی باد به منبع مهمی برای تولید برق تبدیل شده است و هدف آن دستیابی به یک مدل انرژی پاک تر و پایدارتر است. با این حال، برای رقابت با منابع انرژی متعارف، عملکرد توربین های بادی نیاز به بهبود دارد. برای انجام این کار، دستگاه های کنترل جریان بر روی ایرفویل ها مستقر می شوند تا بازده آیرودینامیکی روتورهای توربین بادی را بهبود بخشند.

بنابراین، با همان توربین بادی می‌توانید مگاوات بیشتری تولید کنید، هزینه هر مگاوات ساعت کاهش می‌یابد، و وقتی که مثلاً به یک توربین بادی دریایی (که بسیار بزرگ است) منتقل می‌شود، به این معنی است که هزینه اجرا ناچیز است. Unai Fernández-Gámiz، مدرس دپارتمان مهندسی هسته ای و مکانیک سیالات دانشگاه UPV/EHU در باسک، توضیح داد: پیشرفت آیرودینامیکی ممکن است در محدوده 8 یا 10 درصد باشد.

شبیه‌سازی‌های مربوط به دینامیک سیالات محاسباتی (CFD) محبوب‌ترین روش مورد استفاده برای تجزیه و تحلیل دستگاه‌هایی از این نوع است: فرناندز توضیح داد: «این نرم‌افزار حرکت سیالات را شبیه‌سازی می‌کند که به ظرفیت محاسباتی قابل‌توجهی ، یعنی رایانه‌های بسیار قدرتمند و زمان محاسباتی زیادی نیاز دارد.». اما در سال های اخیر، با رشد هوش مصنوعی، پیش بینی ویژگی های جریان با استفاده از شبکه های عصبی به طور فزاینده ای محبوب شده است. در این راستا، دانشجوی UPV/EHU Koldo Portal-Porras یک شبکه عصبی کانولوشنال (CNN) را مستقر کرد که یک سری از پارامترهای مورد استفاده برای کنترل جریان توربین‌های بادی را تعیین می‌کند.

ابزاری سریع، انعطاف پذیر و ارزان

نتایج نشان می‌دهد که CNN پیشنهادی برای پیش‌بینی میدانی، قادر به پیش‌بینی دقیق ویژگی‌های جریان اصلی در اطراف دستگاه کنترل جریان است و خطاهای بسیار جزئی را نشان می‌دهد. در مورد ضرایب آیرودینامیکی، CNN پیشنهادی همچنین قادر به پیش‌بینی قابل اعتماد آنهاست و قادر است هم روند و هم مقادیر را به درستی پیش‌بینی کند. محقق پورتال-پوراس گفت: در مقایسه با شبیه‌سازی‌های CFD، استفاده از CNN زمان محاسباتی را چهار مرتبه کاهش می‌دهد. فرناندز گامیز افزود: “نتایج سریع و تقریباً فوری به دست آمده است، با خطای 5-6٪ در برخی موارد. خطای نسبتاً قابل تحمل برای صنعتی که در درجه اول به دنبال نتایج سریع است.”

Portal-Porras توضیح داد: «ابتدا شبیه‌سازی‌های CFD را با استفاده از دو دستگاه کنترل جریان مختلف (میکرو تب‌های چرخان و فلپ‌های گورنی) راه‌اندازی کردیم و داده‌های خروجی را ارائه می‌کردیم که آن‌ها را واقعی می‌گیریم و برای آموزش شبکه عصبی کانولوشن استفاده می‌کنیم. کاری که ما انجام می دهیم این است که هندسه را به عنوان ورودی و نتایج به دست آمده از طریق CFD را به عنوان خروجی درج می کنیم. به این ترتیب شبکه آموزش داده می شود و سپس اگر هندسه متفاوتی را با نتایجی که قبلا تولید کرده در آن وارد کنیم، قادر به پیش بینی میدان های سرعت و فشار جدید است.”

به گفته Fernández-Gámiz، Portal-Porras “ابزاری سریع، انعطاف پذیر و ارزان را ارائه کرده است. صنعت امروزه به راه حل های سریع نیاز دارد. برای استفاده از این نوع شبکه ها واقعاً به کامپیوترهای بزرگ، خوشه های کامپیوتری و غیره نیاز ندارید. علاوه بر این، ما ابزاری انعطاف‌پذیر ارائه کرده‌ایم، زیرا می‌توان آن را برای هر ایرفویل آیرودینامیک، انواع سیستم‌های دستگاه و حتی سایر انواع هندسه اعمال کرد.” پورتال پوراس با اشاره به اینکه این شبکه برای هر نوع توربین بادی مناسب است، گفت: “اما داده های آموزشی که ما وارد می کنیم مربوط به یک ایرفویل آیرودینامیکی خاص است. بنابراین، اگر یک ایرفویل آیرودینامیکی متفاوت را وارد کنید، باید کل فرآیند آموزش را انجام دهید. به عبارت دیگر، داده های ورودی و خروجی توربین بادی دیگر را درج کنید.”

هر دو در مورد اهمیت هوش مصنوعی توافق دارند: “اگر می خواهیم محیط صنعتی ما رقابتی باشد، این یک گام اساسی است. اگر درگیر هوش مصنوعی نباشیم، رقابت را در بازارهای بین المللی به پیش نمی بریم.”