Uma pesquisa da Faculdade de Engenharia de Vitoria-Gasteiz da UPV/EHU utilizou redes neurais convolucionais para prever as características do fluxo de ar nos perfis aerodinâmicos de aerogeradores de alta potência e mostrou que dispositivos de controle de fluxo podem ser estudados usando essas redes neurais, com erros toleráveis ​​e uma redução no tempo computacional de quatro ordens de grandeza. O estudo foi publicado em Relatórios Científicos .
A energia eólica tornou-se uma importante fonte de geração de eletricidade e visa alcançar um modelo energético mais limpo e sustentável. No entanto, para competir com os recursos energéticos convencionais, o desempenho das turbinas eólicas precisa ser melhorado. Para fazer isso, dispositivos de controle de fluxo são implantados nos aerofólios para melhorar a eficiência aerodinâmica dos rotores das turbinas eólicas.

"Então, com o mesmo aerogerador você pode produzir mais megawatts, o custo por megawatt hora é reduzido, e quando isso é transferido, por exemplo, para um aerogerador offshore (que é enorme), significa que o custo de implantação é insignificante, mas a melhora aerodinâmica pode estar na faixa de 8 ou 10%", explicou Unai Fernández-Gámiz, professor do Departamento de Engenharia Nuclear e Mecânica dos Fluidos da UPV/EHU-Universidade do País Basco.

As simulações envolvendo a Dinâmica de Fluidos Computacional (CFD) são o método mais popular usado para analisar dispositivos desse tipo:"O software simula o movimento de fluidos, o que requer uma capacidade computacional considerável, ou seja, computadores muito potentes e muito tempo de computação", explicou Fernández -Gámiz. Mas nos últimos anos, com o crescimento da inteligência artificial, a previsão de características de fluxo por meio de redes neurais tornou-se cada vez mais popular; nesse sentido, o aluno Koldo Portal-Porras da UPV/EHU implantou uma rede neural convolucional (CNN) que determina uma série de parâmetros utilizados para o controle de vazão de aerogeradores.

Uma ferramenta rápida, flexível e barata

Os resultados mostram que a CNN proposta para predição de campo é capaz de prever com precisão as principais características do fluxo ao redor do dispositivo de controle de fluxo, apresentando erros muito pequenos. Quanto aos coeficientes aerodinâmicos, a CNN proposta também é capaz de predizê-los de forma confiável, e é capaz de prever corretamente tanto a tendência quanto os valores. “Comparado com simulações CFD, o uso de CNNs reduz o tempo computacional em quatro ordens de grandeza”, disse o pesquisador Portal-Porras. "Foram alcançados resultados rápidos e quase imediatos, com um erro de 5 a 6% em alguns casos. Um erro bastante tolerável para uma indústria que busca principalmente resultados rápidos", acrescentou Fernández-Gámiz.

"Primeiro, lançamos simulações de CFD usando dois dispositivos de controle de fluxo diferentes (microtabs giratórios e abas Gurney), que forneceram os dados de saída, que tomamos como reais e usamos para treinar a rede neural convolucional", explicou Portal-Porras. "O que fazemos é inserir a geometria como entrada e os resultados obtidos via CFD como saída. Assim a rede é treinada, e então se inserirmos nela uma geometria diferente com os resultados que ela produziu anteriormente, ela é capaz de prever o novos campos de velocidade e pressão."

Segundo Fernández-Gámiz, o Portal-Porras apresentou "uma ferramenta rápida, flexível e barata. A indústria hoje exige soluções rápidas. Para aplicar redes desse tipo não são necessários grandes computadores, clusters de computadores, etc. Além disso, criamos uma ferramenta flexível, pois pode ser aplicada a qualquer aerofólio aerodinâmico, a todos os tipos de sistemas de dispositivos e até mesmo a outros tipos de geometrias." Portal-Porras salientou que a rede é adequada para qualquer tipo de aerogerador, "mas os dados de treino que introduzimos eram para um aerofólio aerodinâmico específico. , ou seja, inserir os dados de entrada e saída do outro aerogerador."

Ambos concordam com a importância da inteligência artificial:"Este é um passo fundamental se queremos que nosso ambiente industrial seja competitivo. Se não nos envolvermos com a inteligência artificial, não vamos impulsionar a competitividade nos mercados internacionais". + Explorar mais

Os flaps biônicos das asas melhoram a eficiência da energia eólica