La recherche à la Faculté d'Ingénierie de Vitoria-Gasteiz de l'UPV/EHU a utilisé des réseaux de neurones convolutifs pour prédire les caractéristiques de flux d'air dans les profils aérodynamiques d'éoliennes de grande puissance, et a montré que les dispositifs de contrôle de flux peuvent être étudiés à l'aide de ces réseaux de neurones, avec des erreurs tolérables et une réduction du temps de calcul de quatre ordres de grandeur. L'étude a été publiée dans Rapports scientifiques .

L'énergie éolienne est devenue une source importante de production d'électricité et vise à parvenir à un modèle énergétique plus propre et plus durable. Cependant, afin de concurrencer les ressources énergétiques conventionnelles, les performances des éoliennes doivent être améliorées. Pour ce faire, des dispositifs de contrôle de débit sont déployés sur les profils aérodynamiques afin d'améliorer l'efficacité aérodynamique des rotors des éoliennes.

"Ainsi, avec la même éolienne, vous pouvez produire plus de mégawatts, le coût du mégawattheure est réduit, et quand cela est transféré, par exemple, à une éolienne offshore (ce qui est énorme), cela signifie que le coût de mise en œuvre est négligeable, mais l'amélioration aérodynamique peut être de l'ordre de 8 ou 10 %", a expliqué Unai Fernández-Gámiz, maître de conférences au Département de génie nucléaire et de mécanique des fluides de l'UPV/EHU-Université du Pays basque.

Les simulations impliquant la dynamique des fluides computationnelle (CFD) sont la méthode la plus populaire utilisée pour analyser les dispositifs de ce type :"Le logiciel simule le mouvement des fluides, ce qui nécessite une capacité de calcul considérable, c'est-à-dire des ordinateurs très puissants et beaucoup de temps de calcul", a expliqué Fernández. -Gámiz. Mais ces dernières années, avec la croissance de l'intelligence artificielle, la prédiction des caractéristiques de flux au moyen de réseaux de neurones est devenue de plus en plus populaire; à cet égard, l'étudiant UPV/EHU Koldo Portal-Porras a déployé un réseau de neurones convolutifs (CNN) qui détermine une série de paramètres utilisés pour le contrôle de flux des éoliennes.

Un outil rapide, flexible et peu coûteux

Les résultats montrent que le CNN proposé pour la prédiction sur le terrain est capable de prédire avec précision les principales caractéristiques de flux autour du dispositif de contrôle de flux, affichant des erreurs très mineures. En ce qui concerne les coefficients aérodynamiques, le CNN proposé est également capable de les prédire de manière fiable et de prédire correctement à la fois la tendance et les valeurs. "Par rapport aux simulations CFD, l'utilisation des CNN réduit le temps de calcul de quatre ordres de grandeur", a déclaré le chercheur Portal-Porras. "Des résultats rapides, presque immédiats, ont été obtenus, avec une erreur de 5 à 6 % dans certains cas. Une erreur assez tolérable pour une industrie qui recherche principalement des résultats rapides", a ajouté Fernández-Gámiz.

"Nous avons d'abord lancé des simulations CFD à l'aide de deux dispositifs de contrôle de flux différents (microtabs rotatifs et volets Gurney), et cela a fourni les données de sortie, que nous considérons comme réelles et que nous utilisons pour former le réseau neuronal convolutif", a expliqué Portal-Porras. "Ce que nous faisons est d'insérer la géométrie en entrée et les résultats obtenus via CFD en sortie. De cette façon, le réseau est formé, puis si nous y insérons une géométrie différente avec les résultats qu'elle a produits précédemment, il est capable de prédire le nouveaux champs de vitesse et de pression."

Selon Fernández-Gámiz, Portal-Porras a mis au point "un outil rapide, flexible et peu coûteux. L'industrie a aujourd'hui besoin de solutions rapides. Pour appliquer des réseaux de ce type, vous n'avez pas vraiment besoin de gros ordinateurs, de grappes d'ordinateurs, etc. De plus, nous avons mis au point un outil flexible, car il peut être appliqué à n'importe quel profil aérodynamique, à tous les types de systèmes d'appareils et même à d'autres types de géométries." Portal-Porras a souligné que le réseau convient à tout type d'éolienne, "mais les données d'entraînement que nous avons saisies concernaient un profil aérodynamique spécifique. Ainsi, si vous saisissez un profil aérodynamique différent, vous devrez suivre l'ensemble du processus de formation. , en d'autres termes, insérez les données d'entrée et de sortie de l'autre éolienne."

Tous deux s'accordent sur l'importance de l'intelligence artificielle :« C'est une étape fondamentale si nous voulons que notre environnement industriel soit compétitif. Si nous ne nous engageons pas dans l'intelligence artificielle, nous n'allons pas faire progresser la compétitivité sur les marchés internationaux. + Explorer plus loin

Les volets d'aile bioniques améliorent l'efficacité de l'énergie éolienne