Una investigación en la Facultad de Ingeniería de Vitoria-Gasteiz de la UPV/EHU ha utilizado redes neuronales convolucionales para predecir las características del flujo de aire en los perfiles aerodinámicos de aerogeneradores de alta potencia, y ha demostrado que los dispositivos de control de flujo pueden estudiarse utilizando estas redes neuronales, con errores tolerables y una reducción en el tiempo computacional de cuatro órdenes de magnitud. El estudio ha sido publicado en Scientific Reports .

La energía eólica se ha convertido en una importante fuente de generación eléctrica y pretende conseguir un modelo energético más limpio y sostenible. Sin embargo, para competir con los recursos energéticos convencionales, es necesario mejorar el rendimiento de los aerogeneradores. Para ello, se despliegan dispositivos de control de flujo en las superficies aerodinámicas para mejorar la eficiencia aerodinámica de los rotores de los aerogeneradores.

“Entonces, con el mismo aerogenerador se pueden producir más megavatios, se reduce el coste por megavatio hora, y cuando eso se traslada, por ejemplo, a un aerogenerador marino (que es enorme), significa que el coste de implantación es insignificante, pero la mejora aerodinámica puede estar en torno al 8 ó 10 %”, explica Unai Fernández-Gámiz, profesor del Departamento de Ingeniería Nuclear y Mecánica de Fluidos de la UPV/EHU-Universidad del País Vasco.

Las simulaciones de Dinámica de Fluidos Computacional (CFD) son el método más popular para analizar dispositivos de este tipo:“El software simula el movimiento de fluidos, lo que requiere una capacidad de cómputo considerable, es decir, computadoras muy potentes y mucho tiempo de cómputo”, explica Fernández. -Gámiz. Pero en los últimos años, con el crecimiento de la inteligencia artificial, la predicción de las características del flujo por medio de redes neuronales se ha vuelto cada vez más popular; En este sentido, el estudiante de la UPV/EHU Koldo Portal-Porras desplegó una red neuronal convolucional (CNN) que determina una serie de parámetros utilizados para el control de flujo de aerogeneradores.

Una herramienta rápida, flexible y económica

Los resultados muestran que la CNN propuesta para la predicción de campo es capaz de predecir con precisión las principales características del flujo alrededor del dispositivo de control de flujo, mostrando errores muy pequeños. En cuanto a los coeficientes aerodinámicos, la CNN propuesta también es capaz de predecirlos de forma fiable y es capaz de predecir correctamente tanto la tendencia como los valores. “En comparación con las simulaciones CFD, el uso de CNN reduce el tiempo de cómputo en cuatro órdenes de magnitud”, dijo el investigador Portal-Porras. “Se han conseguido resultados rápidos, casi inmediatos, con un error del 5-6% en algunos casos. Un error bastante tolerable para una industria que busca principalmente resultados rápidos”, añade Fernández-Gámiz.

"Primero, lanzamos simulaciones CFD utilizando dos dispositivos de control de flujo diferentes (microfichas giratorias y aletas Gurney), y eso proporcionó los datos de salida, que tomamos como reales y usamos para entrenar la red neuronal convolucional", explicó Portal-Porras. “Lo que hacemos es insertar la geometría como entrada y los resultados obtenidos vía CFD como salida. De esa manera se entrena la red, y luego si le insertamos una geometría diferente con los resultados que produjo anteriormente, es capaz de predecir la nuevos campos de velocidad y presión".

Según Fernández-Gámiz, Portal-Porras ha ideado “una herramienta rápida, flexible y económica. La industria hoy en día requiere soluciones rápidas. Para aplicar redes de este tipo no se necesitan realmente grandes ordenadores, clústeres de ordenadores, etc. además, hemos creado una herramienta flexible, porque se puede aplicar a cualquier perfil aerodinámico, a todo tipo de sistemas de dispositivos e incluso a otros tipos de geometrías". Portal-Porras señaló que la red es adecuada para cualquier tipo de aerogenerador, "pero los datos de entrenamiento que ingresamos eran para un perfil aerodinámico específico. Entonces, si ingresa un perfil aerodinámico diferente, tendría que hacer todo el proceso de entrenamiento , es decir, insertar los datos de entrada y salida del otro aerogenerador.”

Ambos coinciden en la importancia de la inteligencia artificial:“Este es un paso fundamental si queremos que nuestro entorno industrial sea competitivo. Si no nos involucramos en la inteligencia artificial, no vamos a impulsar la competitividad en los mercados internacionales”. + Explora más

Los alerones biónicos mejoran la eficiencia de la energía eólica