Objetivos 2030

Con la colaboración de

Cosentino

Redes neuronales para mejorar las turbinas eólicas

Una investigación de la UPV/EHU demuestra que se puede predecir el flujo de aire, así como mejorar la aerodinámica de turbinas entre un 8% y un 10%
turbinas upv

La Universidad del País Vasco (UPV/EHU) ha presentado una investigación en la que demuestran que el flujo del aire de las turbinas eólicas puede ser estudiado con redes neuronales. Así, pueden predecir las características del flujo en los perfiles aerodinámicos de aerogeneradores de gran potencia “con errores aceptables” y optimizando el rendimiento de los aerogeneradores, tan necesarios para competir con los recursos energéticos convencionales.

La idea es implementar dispositivos de control de flujo en los perfiles aerodinámicos; esto es, mejorar la aerodinámica de los rotores. Unai Fernández, profesor del Departamento de Ingeniería Nuclear y Mecánica de Fluidos de la UPV/EHU, explica que mejorando esto, 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), resulta que el coste de implementación es ínfimo, pero la mejora aerodinámica puede rondar hasta en un 8% o 10 %”

Pero ¿cómo funciona exactamente? Según Fernández, utilizan el método más popular para analizar este tipo de dispositivos: simulaciones de dinámica de fluidos computacional (CFD, en inglés). Básicamente, “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”.

Aun así, un alumno de la UPV/EHU (Koldo Portal) ha implementado una red neuronal convolucional (CNN), la clave de la investigación. Esta es la que determina una serie de parámetros utilizados para el control de flujo de las turbinas. Y, con esta herramienta, han demostrado que se puede predecir con más precisión las principales características del flujo de aire.

El funcionamiento de la red neuronal

Lo que han hecho es lanzar las simulaciones en CFD en dos dispositivos de control de flujo y los datos que han sacado se han utilizado para entrenar al CNN. “Es de esta manera como 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”.

Según Fernández, Koldo Portal ha conseguido con el CNN “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 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”. 

Por su parte, el alumno Portal, en declaraciones a la propia UPV, afirma que la red sirve para todo tipo de turbinas eólicas y 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. 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”.

Con el CNN se han conseguido resultados “rápidos, casi inmediatos”, con un error de entre un 5% o un 6 %, en algunos casos. “Un error bastante asumible para una industria que busca fundamentalmente resultados rápidos”, destaca Fernández.

Relaccionadas