Investigadores vascos mejoran hasta en un 10% la aerodinámica de turbinas eólicas

Investigadores de la Universidad del País Vasco (UPV/EHU) han desarrollado una red neuronal orientada a mejorar el rendimiento de aerogeneradores de gran potencia que en el caso de una turbina eólica situada en el mar logra una mejora aerodinámica que puede llegar al 10 %.

La red desarrollada por este equipo de la Escuela de Ingeniería de Vitoria consigue que con el mismo aerogenerador se puedan producir más megavatios y que el coste del megavatio hora se reduzca.

En el caso concreto de una turbina marina la inversión sería "ínfima" y la mejora aerodinámica del 8-10 %, ha informado la UPV/EHU en una nota.

La investigación, que ha sido publicada por la revista Scientific Reports, demuestra que es posible usar redes neuronales convolucionales para predecir en un tiempo mucho más breve las características del flujo de aire en aerogeneradores de gran potencia con un margen de error "aceptable".

En la actualidad el método más utilizado para analizar este tipo de dispositivos son las simulaciones de dinámica de fluidos computacional (CFD, de su nombre en inglés), un software que simula el movimiento de los fluidos que requiere de "computadores muy potentes y mucho tiempo de computación", ha explicado el profesor de Ingeniería Nuclear y Mecánica de Fluidos, Unai Fernández Gámiz.

Pero en los últimos años con el crecimiento de la Inteligencia Artificial el uso de redes neuronales para predecir las características del flujo de aire se ha hecho más popular y ahora el alumno vasco Koldo Portal Porras ha implementado una red neuronal convolucional (CNN, de su nombre en inglés) que determina una serie de parámetros utilizados para el control de flujo de las turbinas eólicas.

Los resultados muestran que esta herramienta predice con "errores muy leves" las principales características del flujo de aire, los coeficientes aerodinámicos y tanto la tendencia como los valores. Además, se reduce el tiempo de computación "en cuatro órdenes de magnitud" en comparación con las simulaciones CFD.

"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", considera Fernández Gámiz.

Lo que han hecho los investigadores vascos es usar las simulaciones en CFD con dos dispositivos de control de flujo diferentes (microtabs rotativos y Gurney flaps) para "entrenar" a la nueva red neuronal.

En esta se utiliza como dato de entrada la geometría y como salida los resultados obtenidos con CFD. Posteriormente se introduce una nueva geometría y, en función de los resultados anteriores, la red es capaz de predecir los nuevos campos de velocidad y de presión.

Se trata de "una herramienta rápida, flexible y barata" porque "no necesita grandes ordenadores, ni clústeres informáticos" y que además es "aplicable a cualquier perfil aerodinámico, a todo tipo de sistemas de dispositivos e incluso a otro tipo de geometrías", ya que puede entrenarse a la red para cualquier perfil aerodinámico introduciendo los datos de entrada y salida del aerogenerador con el que se quiere trabajar.

La universidad vasca ha explicado en una nota que si realmente se quiere impulsar la energía eólica para avanzar hacia un modelo energético más limpio y sostenible es necesario mejorar el rendimiento de los aerogeneradores, que es precisamente el objetivo de la CNN desarrollada en Vitoria.