Redes neuronales para mejorar el rendimiento de los aerogeneradores de gran potencia

La energía eólica se ha convertido en una importante fuente de generación de electricidad, capaz de ayudar a conseguir un modelo energético más limpio y sostenible. Sin embargo, es necesario mejorar el rendimiento de los aerogeneradores para poder competir con los recursos energéticos convencionales.

Con el fin conseguir esta mejora, se implementan dispositivos de control de flujo en los perfiles aerodinámicos, para mejorar la eficiencia aerodinámica de los rotores de los aerogeneradores: “Así, con el mismo aerogenerador se pueden producir más megavatios, el coste del megavatio hora se reduce, y eso trasladado, por ejemplo, a una turbina eólica situada en el mar (que son enormes), hace que el coste de implementación sea ínfimo, pero en cambio la mejora aerodinámica puede rondar hasta en un 8 o 10 por ciento”, explica Unai Fernández Gámiz, profesor del Departamento de Ingeniería Nuclear y Mecánica de Fluidos de la Universidad del País Vasco (UPV/EHU).

Las simulaciones de dinámica de fluidos computacional (CFD, por sus siglas en inglés) son el método más popular utilizado para analizar este tipo de dispositivos: “Se trata de un software que simula el movimiento de los fluidos, que necesita una gran capacidad computacional, es decir, computadores muy potentes y mucho tiempo de computación”, explica Fernández Gámiz. Pero en los últimos años, con el crecimiento de la inteligencia artificial, la predicción de las características del flujo mediante redes neuronales es cada vez más popular; en ese sentido, el alumno de la UPV/EHU Koldo Portal Porras ha implementado una red neuronal convolucional (CNN, por sus siglas en inglés) que determina una serie de parámetros utilizados para el control de flujo de las turbinas eólicas.

Los resultados muestran que la red neuronal convolucional propuesta para la predicción del campo es capaz de predecir con precisión las principales características del flujo alrededor del dispositivo de control de flujo, mostrando errores muy leves. En cuanto a los coeficientes aerodinámicos, la red neuronal convolucional propuesta también es capaz de predecirlos de forma fiable, siendo capaz de predecir correctamente tanto la tendencia como los valores. “En comparación con las simulaciones de dinámica de fluidos computacional, el uso de las redes neuronales convolucionales reduce el tiempo computacional en cuatro órdenes de magnitud”, afirma el investigador Portal Porras. “Se han conseguido resultados rápidos, casi inmediatos, con un error de entre un 5 o un 6 por ciento, en algunos casos. Un error bastante asumible para una industria que busca fundamentalmente resultados rápidos”, añade Fernández Gámiz.

Unai Fernández con dos investigadores de su equipo. (Foto: Nuria González, UPV/EHU)

“Primero hemos lanzado las simulaciones en dinámica de fluidos computacional con dos dispositivos de control de flujo diferentes (microtabs rotativos y Gurney flaps), y de ahí obtenemos los datos de salida, que tomamos como reales y que utilizamos para entrenar la red neuronal convolucional —explica Portal Porras—. Lo que hacemos es meter como entrada la geometría y como salida los resultados obtenidos con dinámica de fluidos computacional. De esta manera la red se entrena, y después si le metemos otra geometría, con los resultados que tenía anteriores, es capaz de predecir los nuevos campos de velocidad y de presión”.

En opinión de Fernández Gámiz, Portal Porras ha conseguido “una herramienta rápida, flexible y barata. La industria hoy en día requiere de soluciones rápidas. Para aplicar este tipo de redes realmente no se necesita recurrir a grandes ordenadores, ni clústeres informáticos, etcétera. Y, además, hemos conseguido una herramienta flexible, porque es aplicable a cualquier perfil aerodinámico, a todo tipo de sistemas de dispositivos e incluso a otro tipo de geometrías”. Portal Porras afirma que la red sirve para todo tipo de aerogeneradores, “pero los datos de entrenamiento que hemos metido eran de un perfil aerodinámico concreto. Por tanto, si metes otro perfil aerodinámico habría que hacer todo el proceso de entrenamiento, o sea, meter los datos de entrada y salida del otro aerogenerador”. Ambos coinciden en la importancia de la inteligencia artificial: “Es un paso fundamental si queremos que nuestro entorno industrial sea competitivo. Si no entramos en temas de inteligencia artificial, no vamos a avanzar en competitividad en los mercados internacionales”.

Koldo Portal Porras, Unai Fernández Gámiz, Ekaitz Zulueta, Alejandro Ballesteros Coll y Asier Zulueta exponen los detalles técnicos de su red neuronal convolucional para aerogeneradores en la revista académica Scientific Reports, bajo el título “CNN based fow control device modelling on aerodynamic airfoils”. (Fuente: UPV/EHU)