La ricerca presso la Facoltà di Ingegneria di Vitoria-Gasteiz dell'UPV/EHU ha utilizzato reti neurali convoluzionali per prevedere le caratteristiche del flusso d'aria nei profili aerodinamici delle turbine eoliche ad alta potenza e ha dimostrato che i dispositivi di controllo del flusso possono essere studiati utilizzando queste reti neurali, con errori tollerabili e una riduzione del tempo di calcolo di quattro ordini di grandezza. Lo studio è stato pubblicato in Rapporti scientifici .

L'energia eolica è diventata un'importante fonte di generazione di elettricità e mira a realizzare un modello energetico più pulito e sostenibile. Tuttavia, per competere con le risorse energetiche convenzionali, è necessario migliorare le prestazioni delle turbine eoliche. Per fare ciò, sui profili aerodinamici vengono installati dispositivi di controllo del flusso per migliorare l'efficienza aerodinamica dei rotori delle turbine eoliche.

"Quindi, con la stessa turbina eolica puoi produrre più megawatt, il costo per megawattora si riduce e quando viene trasferito, ad esempio, a una turbina eolica offshore (che è enorme), significa che il costo di implementazione è trascurabile, ma il miglioramento aerodinamico potrebbe aggirarsi intorno all'8 o al 10 %", ha spiegato Unai Fernández-Gámiz, docente presso il Dipartimento di Ingegneria Nucleare e Meccanica dei Fluidi dell'Università UPV/EHU dei Paesi Baschi.

Le simulazioni che coinvolgono la fluidodinamica computazionale (CFD) sono il metodo più utilizzato per analizzare dispositivi di questo tipo:"Il software simula il movimento dei fluidi, che richiede una notevole capacità di calcolo, ovvero computer molto potenti e molto tempo di calcolo", ha spiegato Fernández -Gamiz. Ma negli ultimi anni, con la crescita dell'intelligenza artificiale, è diventata sempre più diffusa la previsione delle caratteristiche del flusso per mezzo di reti neurali; a questo proposito, lo studente dell'UPV/EHU Koldo Portal-Porras ha implementato una rete neurale convoluzionale (CNN) che determina una serie di parametri utilizzati per il controllo del flusso delle turbine eoliche.

Uno strumento veloce, flessibile ed economico

I risultati mostrano che la CNN proposta per la previsione sul campo è in grado di prevedere con precisione le principali caratteristiche del flusso attorno al dispositivo di controllo del flusso, visualizzando errori molto lievi. Per quanto riguarda i coefficienti aerodinamici, la CNN proposta è anche in grado di prevederli in modo affidabile, ed è in grado di prevedere correttamente sia l'andamento che i valori. "Rispetto alle simulazioni CFD, l'uso delle CNN riduce il tempo di calcolo di quattro ordini di grandezza", ha affermato il ricercatore Portal-Porras. "Sono stati raggiunti risultati rapidi e quasi immediati, con un errore del 5-6% in alcuni casi. Un errore abbastanza tollerabile per un settore che cerca principalmente risultati rapidi", ha aggiunto Fernández-Gámiz.

"Per prima cosa abbiamo lanciato simulazioni CFD utilizzando due diversi dispositivi di controllo del flusso (microschede rotanti e lembi Gurney) e questo ha fornito i dati di output, che prendiamo come reali e utilizziamo per addestrare la rete neurale convoluzionale", ha spiegato Portal-Porras. "Quello che facciamo è inserire la geometria come input e i risultati ottenuti tramite CFD come output. In questo modo la rete viene addestrata e quindi se inseriamo in essa una geometria diversa con i risultati che ha prodotto in precedenza, è in grado di prevedere il nuovi campi di velocità e pressione."

Secondo Fernández-Gámiz, Portal-Porras ha messo a punto "uno strumento veloce, flessibile ed economico. L'industria oggigiorno richiede soluzioni rapide. Per applicare reti di questo tipo non sono necessari computer di grandi dimensioni, cluster di computer, ecc. inoltre, abbiamo ideato uno strumento flessibile, perché può essere applicato a qualsiasi profilo aerodinamico, a tutti i tipi di sistemi di dispositivi e persino ad altri tipi di geometrie". Portal-Porras ha sottolineato che la rete è adatta a qualsiasi tipo di turbina eolica, "ma i dati di addestramento che abbiamo inserito erano per un profilo aerodinamico specifico. Quindi, se si immette un profilo aerodinamico diverso, si dovrebbe eseguire l'intero processo di addestramento , in altre parole, inserire i dati di input e output dell'altro aerogeneratore."

Entrambi concordano sull'importanza dell'intelligenza artificiale:"Questo è un passo fondamentale se vogliamo che il nostro ambiente industriale sia competitivo. Se non ci occupiamo dell'intelligenza artificiale, non porteremo avanti la competitività sui mercati internazionali". + Esplora ulteriormente

I flap alari bionici migliorano l'efficienza dell'energia eolica