خلاصه
تکنیک های بهینه سازی فراابتکاری و شبکه های عصبی مصنوعی(ANN ها) ثابت کرده اند که ابزار مفیدی برای یافتن بهترین راه حل های طراحی برای سیستم های ساختاری مختلف هستند. با این حال، استفاده از هر دو تکنیک جهت گیری به سمت طراحی بهینه برج های توربین بادی هنوز به تحقیقات بیشتری نیاز دارد. یک روش برای به دست آوردن بهترین راه حل های طراحی برای برج های فولادی توربین بادی خشکی با استفاده از الگوریتم بهینه سازی ازدحام ذرات چند هدفه (MOPSO) و شبکه های عصبی مصنوعی ارائه شده است. روش پیشنهادی برای برج های فولادی با ارتفاع 70، 75، 80 و 85 متر اعمال می شود. فرض بر این است که مطالعات موردی در La Ventosa، Oaxaca واقع شده است. سه هدف طراحی تعریف شده است: به حداقل رساندن جرم سازه، به حداکثر رساندن قابلیت اطمینان سازه و به حداکثر رساندن توان باد. به منظور جلوگیری از هزینه های محاسباتی بالا، شبکه های عصبی مصنوعی آموزش داده شده و برای به دست آوردن شاخص قابلیت اطمینان ساختاری استفاده می شوند.�. ابتدا، متغیرهای طراحی و محدودیت ها تعریف می شوند. متعاقبا، یک تکنیک بهینهسازی مبتنی بر هوش ازدحام فراابتکاری (MOPSO) اجرا میشود. در نتیجه فرآیند بهینهسازی با استفاده از الگوریتم MOPSO، یک جبهه پارتو که بهترین راهحلهای طراحی را شامل میشود، بهطور کارآمد به دست میآید. در نهایت، نمودارهایی به منظور توصیه پارامترهای اولیه برای پیشطراحی برجهای فولادی تولید میشوند که سه هدف طراحی را برآورده میکنند.
معرفی
در سال های گذشته، نصب نیروگاه های بادی خشکی و فراساحلی به طور مداوم در حال افزایش بوده است. مناطق آمریکای شمالی و چین مکان هایی هستند که بیشترین تعداد نصب جدید را دارند [1]. در مورد خاص مکزیک، انتظار می رود تولید برق از منابع فسیلی تا سال 2050 به 50 درصد محدود شود، به گونه ای که نصب مداوم فناوری پاک در 28 سال آینده ضروری باشد [2]. علاوه بر این، نیاز به سیستم های توربین بادی برای ارائه رفتار ساختاری مناسب در طول چرخه عمر خود بسیار مهم خواهد بود. برای این هدف، کدهای بین المللی مدرن [3]، [4] بر طراحی سازه مبتنی بر قابلیت اطمینان سازه، هم اجزای توربین بادی (پره ها، ناسل، مکانیزم الکتریکی) و هم عناصر سازه ای (برج و فونداسیون) متمرکز شده اند.
طراحی مبتنی بر قابلیت اطمینان در ابتدا برای سازه های در معرض زلزله توسعه داده شد [5]، [6]، [7]، [8]، [9]. متعاقباً در مهندسی باد استفاده شد و رویکرد طراحی باد مبتنی بر عملکرد (PBWD) [10]، [11] را ایجاد کرد که در سازههای مختلف از ساختمانهای چوبی [12]، پلهای با دهانه بزرگ [13]، ساختمانهای بلند استفاده شده است. [14]، [15] و برج های پشتیبانی توربین بادی [16]. به منظور انجام یک طراحی مبتنی بر بهینه سازی، اطمینان از سطح مناسبی از قابلیت اطمینان، که امکان عملکرد قابل قبول سازه را در طول عمر مفید سازه فراهم می کند، مهم است. با این حال، انجام این نوع تحلیل نیازمند زمان و منابع محاسباتی قابل توجهی است.
اخیراً از ابزارهای شبکه های عصبی مصنوعی (ANN) برای حل مسائل مهندسی سازه با هزینه محاسباتی کم استفاده شده است. به طور خاص، شبکههای عصبی مصنوعی برای به دست آوردن احتمال خرابی سالانه پلها، خرپاها، قابهای سازهای، سکوهای دریایی [17]، [18]، [19] و همچنین در کاربردهای مدلهای شبکههای عصبی مصنوعی، برای به دست آوردن بیشتر ساختار مورد استفاده قرار گرفتهاند. قابلیت اطمینان با روش دیگری؛ به عنوان مثال، شبیه سازی مونت کارلو [20]، [21] به گونه ای که استفاده از شبکه های عصبی مصنوعی راه حل هایی با خطای کمتر در مقایسه با سایر روش های ارزیابی، مانند سطوح پاسخ [22] ایجاد می کند. به همین ترتیب، شبکه های عصبی مصنوعی برای ارزیابی عناصر ساختاری [23]، [24]، برای تعیین زمان نگهداری و بازرسی برای توربین های بادی دریایی [25] و همچنین برای طراحی بهینه عناصر ساختاری [26]، [27] استفاده شده است. ]، [28]. از سوی دیگر، بسیاری از رویههای اعمال شده برای یافتن طراحی بهینه، از جبهه پارتو به عنوان ابزار اصلی خود استفاده میکنند، که مجموعهای از بهترین راهحلها را در یک فضای جستجو نشان میدهد، جایی که این راهحلها تحت تسلط هیچ عنصر دیگری قرار نمیگیرند [29]. برخی از رویهها به سمت طراحی بهینه ساختمانها [30]، [31] و/یا بهینهسازی با در نظر گرفتن تأثیر آسیب تجمعی [32] هدایت میشوند. علاوه بر این، روشهای بهینهسازی چند هدفه برای انواع دیگر سازهها، مانند توربینهای بادی، اقتباس شدهاند که به دنبال به حداقل رساندن حجم فولاد و هزینه برج توربین بادی فولادی هستند [33]، [34]، [35]، [36]؛ یا به طور متناوب، برای به حداقل رساندن هزینه و به حداکثر رساندن قابلیت اطمینان سازه، یا به حداقل رساندن هزینه بر اساس نیروی باد [37، [38]، [39]. علاوه بر این، روشهای بهینهسازی را میتوان در ساختارهای مهم دیگر نیز اعمال کرد.
در کار حاضر، روشی پیشنهاد شده است که امکان پیشبینی رفتار ساختاری از طریق شبکههای عصبی مصنوعی و بهینهسازی طراحی برجهای پشتیبانی توربین بادی با استفاده از الگوریتم MOPSO را فراهم میکند. هدف اصلی این روش، به حداکثر رساندن قابلیت اطمینان سازه، به حداقل رساندن جرم سازه (معادل به حداقل رساندن هزینه) و به حداکثر رساندن توان باد، تضمین رفتار سازه ای مناسب است. روش در این مطالعه برای برج های توربین بادی خشکی نصب شده در قلمرو مکزیک اعمال می شود.
قطعات بخش
تحلیل پایایی با استفاده از روش ساده شده کرنل
قابلیت اطمینان سازه را می توان بر حسب میانگین نرخ مازاد سالانه توصیف کرد���[42]، [43]، همانطور که در معادله نشان داده شده است. (1)، که نشان دهنده تعداد دفعات مورد انتظار سالانه تقاضای ساختاری است�، بیش از ظرفیت سازه ای است�، برای اندازه گیری شدت ارزیابی شد�، با توجه به منحنی خطر سایت�(�).���=∫0∞��<�|����dy��
یکی از پرکاربردترین روش ها برای تعیین قابلیت اطمینان یک سازه، روش ساده شده کورنل و همکاران است. [8]، زیرا نیازی به الف ندارد
رویکردی جدید برای یافتن بهترین پیشطراحی برجهای فولادی توربین بادی
روش ارائه شده در اینجا برای یافتن بهترین پیش طراحی های ساختاری برای برج های توربین بادی فولادی به صورت شماتیک در شکل 1 نشان داده شده است. کدها و همچنین سه هدف زیر برآورده می شوند: الف) حداکثر کردن قابلیت اطمینان سازه، که به عنوان تابعی از شاخص قابلیت اطمینان بیان می شود.�، ب) جرم را به حداقل برسانید (�=��، جایی که�
فرمول بندی مسئله بهینه سازی مطالعات موردی
در این بخش، روش توصیف شده در بالا برای یافتن بهترین راه حل ها برای پیش طراحی برج های فولادی برای توربین های بادی که در منطقه “La Ventosa”، در Oaxaca، مکزیک قرار دارند، اعمال می شود. این منطقه دارای منبع بادی قابل توجهی است که می توان از آن برای افزایش توان باد بهره برداری کامل کرد.
روش شبیهسازی «Auto Regressive Moving Average» (ARMA) برای شبیهسازی نیروهای باد بر روی برج فولادی استفاده میشود، در حالی که رویکرد «تحرک عنصر تیغه» (BEM) برای به دست آوردن
خلاصه کلی روش پیشنهادی
مسئله بهینه سازی در سه مرحله انجام شد:
فاز 1. مسئله بهینه سازی با تعریف متغیرهای طراحی و توابع هدف فرموله شد. محدودیت های طراحی که باید برای به دست آوردن مجموعه طراحی بهینه رعایت شوند نیز در این مرحله ایجاد شدند.
فاز 2. ANN برای برآورد و ارزیابی شاخص قابلیت اطمینان سازه به دست آمد. ANN محصول آموزش چندین شبکه عصبی با در نظر گرفتن داده های ورودی متغیرهای طراحی بود. و به عنوان خروجی
نتیجه گیری
روشی برای یافتن مجموعه طراحی بهینه برجهای توربین بادی فولادی با استفاده از شبکههای عصبی مصنوعی (ANN) و الگوریتم MOPSO پیشنهاد شد. رویکرد بهینهسازی برای برآوردن سه هدف طراحی است: الف) به حداکثر رساندن قابلیت اطمینان سازه، ب) به حداقل رساندن جرم سازه، و ج) به حداکثر رساندن توان باد.
روش پیشنهادی برای مجموعهای از برجهای توربین بادی فولادی که نماینده منطقه لاونتوسا، اواکساکا هستند، اعمال شد. در مطالعه حاضر تنها یک قطر روتور بود
دیدگاه خود را بنویسید