UPV/EHU 的 Vitoria-Gasteiz 工程學(xué)院的研究使用卷積神經(jīng)網(wǎng)絡(luò)來預(yù)測大功率風力渦輪機空氣動力學(xué)剖面中的氣流特性，并表明可以使用這些神經(jīng)網(wǎng)絡(luò)研究流量控制裝置，可容忍的誤差和減少四個數(shù)量級的計算時間。該研究已發(fā)表在《科學(xué)報告》上。

風能已成為發(fā)電的重要來源，旨在實現(xiàn)更清潔、更可持續(xù)的能源模式。然而，為了與傳統(tǒng)能源競爭，風力渦輪機的性能需要提高。為此，在翼型上部署了流量控制裝置，以提高風力渦輪機轉(zhuǎn)子的空氣動力效率。

“因此，使用相同的風力渦輪機，您可以生產(chǎn)更多兆瓦，每兆瓦時的成本會降低，例如，當轉(zhuǎn)移到海上風力渦輪機(這是巨大的)時，意味著實施成本可以忽略不計，但空氣動力學(xué)改進可能在 8% 或 10% 左右，”巴斯克地區(qū) UPV/EHU 大學(xué)核工程和流體力學(xué)系講師 Unai Fernández-Gámiz 解釋說。

涉及計算流體動力學(xué) (CFD) 的模擬是用于分析此類設(shè)備的最流行的方法：“該軟件模擬流體的運動，這需要相當大的計算能力，即非常強大的計算機和大量的計算時間，”Fernández 解釋說-加米茲。但近年來，隨著人工智能的發(fā)展，利用神經(jīng)網(wǎng)絡(luò)進行流量特征預(yù)測的方法越來越流行;在這方面，UPV/EHU 學(xué)生 Koldo Portal-Porras 部署了一個卷積神經(jīng)網(wǎng)絡(luò) (CNN)，該網(wǎng)絡(luò)確定了一系列用于風力渦輪機流量控制的參數(shù)。

一種快速、靈活、廉價的工具

結(jié)果表明，提出的用于現(xiàn)場預(yù)測的CNN能夠準確地預(yù)測流量控制裝置周圍的主要流動特性，顯示出非常小的誤差。至于空氣動力學(xué)系數(shù)，所提出的 CNN 也能夠可靠地預(yù)測它們，并且能夠正確預(yù)測趨勢和值。“與 CFD 模擬相比，CNN 的使用將計算時間減少了四個數(shù)量級，”研究人員 Portal-Porras 說。Fernández-Gámiz 補充說：“已經(jīng)取得了快速、幾乎立竿見影的結(jié)果，在某些情況下誤差為 5-6%。對于一個主要尋求快速結(jié)果的行業(yè)來說，這是一個相當可容忍的錯誤。”

“首先，我們使用兩種不同的流量控制設(shè)備(旋轉(zhuǎn)微片和格尼襟翼)啟動了 CFD 模擬，并提供了輸出數(shù)據(jù)，我們將其視為真實數(shù)據(jù)并用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，”Portal-Porras 解釋說。“我們所做的是插入幾何作為輸入，并將通過 CFD 獲得的結(jié)果作為輸出。這樣網(wǎng)絡(luò)就被訓(xùn)練了，然后如果我們將一個不同的幾何插入到它之前產(chǎn)生的結(jié)果中，它就能夠預(yù)測新的速度和壓力場。”

根據(jù) Fernández-Gámiz 的說法，Portal-Porras 提出了“一種快速、靈活、廉價的工具。當今的工業(yè)需要快速的解決方案。要應(yīng)用這種類型的網(wǎng)絡(luò)，您實際上并不需要大型計算機、計算機集群等。什么是此外，我們還提出了一種靈活的工具，因為它可以應(yīng)用于任何氣動翼型、所有類型的設(shè)備系統(tǒng)甚至其他類型的幾何形狀。” Portal-Porras 指出該網(wǎng)絡(luò)適用于任何類型的風力渦輪機，“但我們輸入的訓(xùn)練數(shù)據(jù)是針對特定的氣動翼型的。所以，如果你輸入不同的氣動翼型，你就必須完成整個訓(xùn)練過程，也就是說，插入另一臺風機的輸入和輸出數(shù)據(jù)。”

兩人都同意人工智能的重要性：“如果我們希望我們的工業(yè)環(huán)境具有競爭力，這是基本的一步。如果我們不涉足人工智能，我們就無法在國際市場上推動競爭力。”

　　免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！