Machine learning enables viability of vertical-axis wind turbines
Aparatos y métodos experimentales.Crédito:Comunicaciones de la naturaleza(2024).DOI: 10.1038/s41467-024-46988-0

Si imagina una turbina eólica industrial, probablemente se imagine el diseño de un molino de viento, técnicamente conocido como turbina eólica de eje horizontal (HAWT).Pero las primeras turbinas eólicas, que se desarrollaron en Oriente Medio alrededor del siglo VIII para moler grano, eran turbinas eólicas de eje vertical (VAWT), lo que significa que giraban perpendicularmente al viento, en lugar de paralelas.

Debido a su velocidad de rotación más lenta, los VAWT son menos ruidosos que los HAWT y logran mayordensidad de energía, lo que significa que necesitan menos espacio para la misma producción tanto en tierra como en alta mar.Las hojas también son más respetuosas con la vida silvestre: debido a que giran lateralmente, en lugar de cortar desde arriba, son más fáciles de evitar para las aves.

Con estas ventajas, ¿por qué las VAWT están en gran medida ausentes del mercado actual de energía eólica?Como explica Sébastien Le Fouest, investigador del Laboratorio de Diagnóstico de Flujo Inestable ((UNFOLD) de la Escuela de Ingeniería, todo se reduce a un problema de ingeniería: el control del flujo de aire, que él cree que puede resolverse con una combinación de tecnología de sensores.y.

en un papelpublicadoenComunicaciones de la naturaleza, Le Fouest y la directora de UNFOLD, Karen Mulleners, describen dos perfiles de paso óptimos para las palas VAWT, que logran un aumento del 200 % en la eficiencia de la turbina y una reducción del 77 % en las vibraciones que amenazan la estructura.

"Nuestro estudio representa, hasta donde sabemos, la primera aplicación experimental de un algoritmo de aprendizaje genético para determinar el mejor paso para una pala VAWT", afirma Le Fouest.

Hoja de lanzamiento.Crédito: Escuela Politécnica Federal de Lausana

Convertir un talón de Aquiles en una ventaja

Le Fouest explica que si bien la capacidad instalada de energía eólica en Europa está creciendo a razón de 19 gigavatios por año, esta cifra debe acercarse a los 30 GW para cumplir los objetivos de la ONU en materia de emisiones de carbono para 2050.

"Las barreras para lograrlo no son financieras, sino sociales y legislativas; la aceptación pública de las turbinas eólicas es muy baja debido a su tamaño y ruido", afirma.

A pesar de sus ventajas a este respecto, los VAWT adolecen de un grave inconveniente: sólo funcionan bien con un flujo de aire moderado y continuo.El eje de rotación vertical significa que las palas cambian constantemente de orientación con respecto al viento.

Una ráfaga fuerte aumenta el ángulo entre el flujo de aire y la pala, formando un vórtice en un fenómeno llamado pérdida dinámica.Estos vórtices crean cargas estructurales transitorias que las palas no pueden soportar.

Machine learning enables viability of vertical-axis wind turbines
Hoja experimental VAWT.Crédito: DESPLEGAR EPFL CC BY SA

Para abordar esta falta de resistencia a las ráfagas, los investigadores montaron sensores en el eje de una pala para medir las fuerzas del aire que actúan sobre él.Al inclinar la pala hacia adelante y hacia atrás en diferentes ángulos, velocidades y amplitudes, generaron una serie de "perfiles de inclinación".Luego, utilizaron una computadora para ejecutar un algoritmo genético, que realizó más de 3500 iteraciones experimentales.Como en un proceso evolutivo, el algoritmo seleccionó los perfiles de tono más eficientes y robustos, y recombinó sus rasgos para generar "descendencia" nueva y mejorada.

Este enfoque permitió a los investigadores no sólo identificar dos series de perfiles de tono que contribuyen a mejorar significativamenteeficiencia y solidez, pero también convertir la mayor debilidad de los VAWT en una fortaleza.

"La pérdida dinámica (el mismo fenómeno que destruye las turbinas eólicas) a menor escala puede en realidad impulsar la pala hacia adelante. Aquí, realmente utilizamos la pérdida dinámica a nuestro favor al redirigir el paso de la pala hacia adelante para producir energía", explica Le Fouest.

"La mayoría de las turbinas eólicas inclinan la fuerza generada por las palas hacia arriba, lo que no ayuda a la rotación. Cambiar ese ángulo no sólo forma un vórtice más pequeño, sino que simultáneamente lo empuja hacia afuera en el momento preciso, lo que da como resultado una segunda región de potencia.producción a favor del viento."

El artículo representa el doctorado de Le Fouest.trabajar en el laboratorio UNFOLD.Ahora planea construir una VAWT de prueba de concepto.El objetivo es instalarlo al aire libre, para que se pueda probar cómo responde en tiempo real a las condiciones del mundo real.

"Esperamos que este método de control del flujo de aire pueda hacer madurar la tecnología VAWT eficiente y fiable para que finalmente pueda estar disponible comercialmente", afirma Le Fouest.

Más información:Sébastien Le Fouest et al, Control óptimo del paso de las palas para mejorar el rendimiento de las turbinas eólicas de eje vertical,Comunicaciones de la naturaleza(2024).DOI: 10.1038/s41467-024-46988-0

Citación:El aprendizaje automático permite la viabilidad de las turbinas eólicas de eje vertical (3 de abril de 2024)recuperado el 3 de abril de 2024de https://techxplore.com/news/2024-04-machine-enables-viability-vertical-axis.html

Este documento está sujeto a derechos de autor.Aparte de cualquier trato justo con fines de estudio o investigación privados, noparte puede ser reproducida sin el permiso por escrito.El contenido se proporciona únicamente con fines informativos.