Sare neuronalak aerosorgailuak hobetzeko

Dibulgazioa · EHUko ikerketa

Energia eolikoa elektrizitatea sortzeko iturri garrantzitsua da, energia-eredu garbiago eta jasangarriago bat lortzeko helburuarekin lotuta. Hala ere, aerosorgailuen errendimendua hobetu beharra dago, energia-baliabide konbentzionalekin lehiatu ahal izan daitezen. Hobekuntza hori lortzeko, fluxua kontrolatzeko gailuak ezartzen dira profil aerodinamikoetan, aerosorgailuen errotoreen eraginkortasun aerodinamikoa hobetzeko.

UPV/EHUko Gasteizko Ingeniaritza Eskolako ikerketa batek sare neuronal konboluzionalak erabili ditu potentzia handiko aerosorgailuen profil aerodinamikoetako aire-fluxuaren ezaugarriak aurresateko. Ikerketak frogatu du fluxua kontrolatzeko gailuak sare neuronal horien bidez azter daitezkeela, errore onargarriak lortuz eta konputazio-denbora lau magnitude-ordena murriztuz. Unai Fernández Gámiz UPV/EHUko Ingeniaritza Nuklearra eta Jariakinen Mekanika Saileko irakasleak eta ikerketan parte hartu duen ikertzaileak azaltzen du: “Hala, aerosorgailu berarekin megawatt gehiago sor daitezke, megawatt-orduaren kostua murriztu egiten da, eta hori, adibidez, itsasoan kokatutako turbina eoliko batera eramanda (ikaragarri handiak dira), inplementazio-kostua oso txikia izanik ere hobekuntza aerodinamikoa % 8 edo % 10 ingurukoa izan daiteke”.

Sare neuronalak
Irudia: Aerosorgailuen errendimendua hobetu beharra dago, energia-baliabide konbentzionalekin lehiatu ahal izan daitezen. (Argazkia: EdWhiteImages – Pixabay lizentziapean. Iturria: pixabay.com)

Fluidoen dinamika konputazionalaren simulazioak (CFD, ingelesezko izenetik) dira halako gailuak aztertzeko metodorik erabiliena: “Fluidoen higidura simulatzen duen software bat da, konputazio-ahalmen handia behar duena, hau da, konputagailu oso ahaltsuak eta konputazio-denbora luzea”, azaldu du Fernández Gámizek. Baina azken urteotan, Adimen Artifizialaren hazkundearekin, gero eta gehiago erabiltzen dira sare neuronalak fluxu-ezaugarriak iragartzeko; hala, Koldo Portal Porras UPV/EHUko ikasleak sare neuronal konboluzional bat ezarri du (CNN, ingeleseko izenetik), turbina eolikoen fluxua kontrolatzeko erabiltzen diren parametro batzuk ematen dituena. NATUREko Scientific Reports aldizkari entzutetsuak eman du ikerketa-lan honen berri.

Tresna azkar, malgu eta merkea

Emaitzen arabera, eremuaren iragarpena egiteko proposatutako CNNa gai da fluxua kontrolatzeko gailuaren inguruko fluxuaren ezaugarri nagusiak zehaztasunez aurresateko, eta oso errore txikiak egiten dira. Koefiziente aerodinamikoekin lotuta proposatutako CNNa ere gai da koefizienteak modu fidagarri batean aurresateko, eta joera eta balioak zuzen aurresateko. “CFD simulazioekin alderatuta, CNNak erabiltzeak lau magnitude-ordenatan murrizten du konputazio-denbora”, dio Portal Porras ikertzaileak. “Emaitza azkarrak lortu dira, ia berehalakoak, eta % 5-6ko errorea, kasu batzuetan. Errore hori nahiko onargarria da batez ere emaitza azkarrak lortu nahi dituen industriarentzat”, erantsi du Fernández Gámizek.

“Lehenik, CFDko simulazioak egin ditugu fluxua kontrolatzeko bi gailurekin (mikrohegats birakariak eta Gurney flap-ak), eta hortik irteera-datuak ateratzen ditugu; datu horiek egiazkotzat hartzen eta sare neuronal konboluzionala entrenatzeko erabiltzen ditugu —azaldu du Portal Porrasek—. Sarrera gisa, geometria sartzen dugu, eta, irteera gisa, CFDarekin lortutako emaitzak. Hala, sarea entrenatu egiten da, eta, ondoren, beste geometria bat sartzen badiogu, aurreko emaitzekin, sare neuronala gai da abiadura- eta presio-eremu berriak aurresateko”.

Fernández Gámizen iritziz, Portal Porrasek “tresna azkar, malgu eta merkea lortu du”. Gaur egun, industriak irtenbide azkarrak behar ditu. Horrelako sareak aplikatzeko ez da ordenagailu handirik behar, ezta informatika-klusterrik eta abarrik ere. Eta, gainera, tresna malgua lortu dugu, edozein profil aerodinamikori, era guztietako gailu-sistemei eta beste geometria-mota batzuei ere aplika dakiekeelako”. Portal Porrasen esanetan, sareak mota guztietako aerosorgailuetarako balio du, “baina sartu ditugun entrenamendu-datuak profil aerodinamiko jakin batekoak ziren. Beraz, beste profil aerodinamiko bat sartzen baduzu, entrenamendu-prozesu osoa egin beharko litzateke, hau da, beste aerosorgailuaren sarrera- eta irteera-datuak sartu”. Biak bat datoz adimen artifizialaren garrantziarekin: “Funtsezko urratsa da gure industria-ingurunea lehiakorra izatea nahi badugu. Adimen artifizialeko gaietan sartzen ez bagara, ez dugu lehiakortasunean aurrera egingo nazioarteko merkatuetan”.

Iturria:

UPV/EHU prentsa bulegoa: Sare neuronalak potentzia handiko turbina eolikoen errendimendua hobetzeko

Erreferentzia bibliografikoa:

Portal Porras, Koldo; Fernández Gámiz, Unai; Zulueta, Ekaitz; Ballesteros Coll, Alejandro; Zulueta, Asier (2022). CNN-based flow control device modelling on aerodynamic airfoils. Scientific Reports 12, 8205. DOI: https://doi.org/10.1038/s41598-022-12157-w

2 iruzkinak

Utzi erantzuna

Zure e-posta helbidea ez da argitaratuko.Beharrezko eremuak * markatuta daude.