Un marco de XAI para predecir la potencia de turbinas eólicas en condiciones de lluvia desarrollado utilizando simulaciones de CFD
Autores: Syed Ahmed Kabir, Ijaz Fazil; Gajendran, Mohan Kumar; Taslim, Prajna Manggala Putra; Boopathy, Sethu Raman; Ng, Eddie Yin-Kwee; Mehdizadeh, Amirfarhang
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un marco de XAI para predecir la potencia de turbinas eólicas en condiciones de lluvia desarrollado utilizando simulaciones de CFD
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Fuentes de energía renovable
Turbinas eólicas
Efectos de la lluvia
Rendimiento aerodinámico
Modelos de aprendizaje automático
Producción de energía
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Las fuentes de energía renovable son esenciales para abordar el cambio climático, el agotamiento de combustibles fósiles y las estrictas regulaciones ambientales en las próximas décadas. Las turbinas eólicas de eje horizontal (HAWT) son particularmente adecuadas para satisfacer esta demanda. Sin embargo, su eficiencia se ve afectada por factores ambientales porque operan en áreas abiertas. Las condiciones climáticas adversas, como la lluvia, reducen su rendimiento aerodinámico. Este estudio investiga la predicción de la potencia de las turbinas eólicas en condiciones de lluvia integrando la teoría del Elemento de Cuchilla y Momento (BEM) con inteligencia artificial explicable (XAI). Se analizaron las características aerodinámicas del perfil aerodinámico S809, utilizado en turbinas eólicas de NREL, mediante ANSYS FLUENT y regresión simbólica bajo diferentes intensidades de lluvia. Se realizaron simulaciones a un número de Reynolds (Re) de 1 x 10 utilizando el Modelo de Fase Discreta (DPM) y el modelo de turbulencia - SST, con valores de contenido de agua líquida (LWC) de 0 (seco), 10, 25 y 39 g/m. Se calcularon los coeficientes de sustentación y resistencia en varios ángulos de ataque para todas las condiciones. Los resultados indicaron que la lluvia provocó una reducción de la sustentación y un aumento de la resistencia. El aspecto innovador de esta investigación es el desarrollo de modelos de aprendizaje automático que predicen cambios en los coeficientes del perfil aerodinámico bajo lluvia con un valor de 0.97. El marco propuesto de XAI modela los efectos de la lluvia en un menor tiempo computacional, lo que permite una evaluación eficiente del rendimiento de los parques eólicos en condiciones de lluvia en comparación con simulaciones CFD convencionales. Se encontró que un LWC de lluvia intensa de 39 g/m podría reducir la producción de energía entre un 5.7% y un 7%. Estos hallazgos destacan el impacto de la lluvia en el rendimiento aerodinámico y la importancia de modelos predictivos avanzados para optimizar la generación de energía renovable.
Descripción
Las fuentes de energía renovable son esenciales para abordar el cambio climático, el agotamiento de combustibles fósiles y las estrictas regulaciones ambientales en las próximas décadas. Las turbinas eólicas de eje horizontal (HAWT) son particularmente adecuadas para satisfacer esta demanda. Sin embargo, su eficiencia se ve afectada por factores ambientales porque operan en áreas abiertas. Las condiciones climáticas adversas, como la lluvia, reducen su rendimiento aerodinámico. Este estudio investiga la predicción de la potencia de las turbinas eólicas en condiciones de lluvia integrando la teoría del Elemento de Cuchilla y Momento (BEM) con inteligencia artificial explicable (XAI). Se analizaron las características aerodinámicas del perfil aerodinámico S809, utilizado en turbinas eólicas de NREL, mediante ANSYS FLUENT y regresión simbólica bajo diferentes intensidades de lluvia. Se realizaron simulaciones a un número de Reynolds (Re) de 1 x 10 utilizando el Modelo de Fase Discreta (DPM) y el modelo de turbulencia - SST, con valores de contenido de agua líquida (LWC) de 0 (seco), 10, 25 y 39 g/m. Se calcularon los coeficientes de sustentación y resistencia en varios ángulos de ataque para todas las condiciones. Los resultados indicaron que la lluvia provocó una reducción de la sustentación y un aumento de la resistencia. El aspecto innovador de esta investigación es el desarrollo de modelos de aprendizaje automático que predicen cambios en los coeficientes del perfil aerodinámico bajo lluvia con un valor de 0.97. El marco propuesto de XAI modela los efectos de la lluvia en un menor tiempo computacional, lo que permite una evaluación eficiente del rendimiento de los parques eólicos en condiciones de lluvia en comparación con simulaciones CFD convencionales. Se encontró que un LWC de lluvia intensa de 39 g/m podría reducir la producción de energía entre un 5.7% y un 7%. Estos hallazgos destacan el impacto de la lluvia en el rendimiento aerodinámico y la importancia de modelos predictivos avanzados para optimizar la generación de energía renovable.