قابلیت اطمینان برج های توربین های بادی با استفاده از هوش مصنوعی

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.