Approche probabiliste pour l'estimation de la durée de vie en fatigue des pales d'éolienne en utilisant les réseaux de neurones profonds

Probabilistic approach for fatigue life estimation of wind turbine blades using deep neural network

• Auteur / Autrice : Wilson Javier Veloz Parra
• Direction : Didier Lemosse
• Type : Thèse de doctorat
• Discipline(s) : Génie mécanique
• Date : Soutenance le 17/12/2020
• Etablissement(s) : Normandie
• Ecole(s) doctorale(s) : École doctorale physique, sciences de l’ingénieur, matériaux, énergie (Saint-Etienne du Rouvray, Seine Maritime)
• Partenaire(s) de recherche : Etablissement de préparation : Institut national des sciences appliquées Rouen Normandie (Saint-Etienne-du-Rouvray ; 1985-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique de Normandie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1993-....)
• Jury : Président / Présidente : Dimitri Lefebvre
• Jury : Examinateurs / Examinatrices : Didier Lemosse, John Dalsgaard Sørensen, Pierre-Alain Boucard, Younes Aoues, Laurent Guillaumat, Paul Deglaire
• Jury : Rapporteurs / Rapporteuses : John Dalsgaard Sørensen, Pierre-Alain Boucard

Mots clés

Mots clés contrôlés

Fiabilité

Apprentissage profond

Simulation par ordinateur

Méthode de Monte-Carlo

Vents -- Vitesse

Réseaux neuronaux (informatique)

Détérioration

Analyse globale (mathématiques)

Composites -- Fatigue

Matériaux -- Fatigue

Pales d'éoliennes

Mots clés libres

Dommages par fatigue de la pale d'éolienne composite

Analyse de sensibilité globale

Estimation de la durée de vie en fatigue

Application de réseau neuronal profond

Méthode d'application de charge pour les modèles de coque 2D de pale

Fatigue damage of composite wind turbine blade

Global sensitivity analysis

Fatigue lifetime prediction,

Wind speed uncertainty, deep neural network application

Load application method for blade 2D shell models

Résumé

Ces dernières années, les éoliennes ont beaucoup évolué, leurs tailles ont beaucoup augmenté afin de les rendre plus rentables et plus écologiques. En raison de cette croissance massive, les ingénieurs concepteurs sont confrontés à de nouveaux défis pour maintenir la rentabilité des éoliennes, qu’elles soient terrestres ou maritimes. Ce travail de thèse propose le développement d’une approche probabiliste de la durée de vie en fatigue d’une pale d’éolienne en matériaux composites. Cette approche est basée sur l’apprentissage par un réseau de neurones profond et les simulations de Monte Carlo en considérant l’incertitude de la vitesse du vent. Afin d’atteindre cet objectif, plusieurs défis ont été relevés. Il s’agit des développements suivantes : a) une approche de régression pour la prise en compte des discontinuités de saut ; b) une méthodologie pour l’analyse de sensibilité globale des problèmes de haute dimension ; c) une méthodologie pour estimer la densité de probabilité de la durée de vie en fatigue de la pale d’une éolienne en matériaux composites. Le modèle de régression développé pour prendre en compte les discontinuités de saut, utilise le modèle de mélange gaussien (Gaussien Mixture) et les réseaux de neurones profonds (Deep Neural Network). Ces discontinuités sont trouvées dans la réponse d’une simulation aéro-élastique de 10 minutes en tenant compte d’un écoulement laminaire ou turbulent du vent. La méthode proposée présente une erreur quadratique moyenne inférieure par rapport à d’autre méthodes de régression et d’apprentissage automatique utilisées. Une méthode originale pour l’analyse des sensibilités globales pour les problèmes de grande dimension est développée pour estimer la sensibilité des méthodes d’application de charge (LAM: Load Application Methods). Ces méthodes sont utilisées pour transférer les charges sur la pale, issues des simulations aéro-élastiques 1D au modèle éléments finis en coque 2D. L’approche développée vise à calculer les indices de Sobol en utilisant un modèle de substitution basé sur un réseau de neurones profond. Cette méthodologie est basée sur le développement de deux réseaux de neurones, le premier estime les charges aéro-élastiques maximales pour une vitesse moyenne du vent sur 10 minutes, et le second consiste à estimer les contraintes mécaniques au pied de la pale en tenant compte des épaisseurs des matériaux composites et des charges aéro-élastiques maximales obtenues à partir du premier réseau de neurones. La durée de vie en fatigue est estimée en utilisant la méthode d’application de la charge qui présente la sensibilité la plus faible et l’analyse de fatigue multiaxiale. En outre, 10 minutes de simulations aéro-élastiques en considérant un écoulement turbulent du vent pour estimer l’historique des contraintes en utilisant un modèle par élément fini de coque, puis l’endommagement par fatigue est calculé en tenant compte de la non proportionnalité des contraintes. Un modèle de substitution basé sur un réseau de neurones profond est développé pour estimer le dommage par fatigue à 10 minutes et puis à 20 ans. La densité de probabilité de la durée de vie en fatigue au point d’endommagement maximal est obtenue en utilisant le modèle de substitution basé sur un réseau de neurones profond et des simulations de Monte Carlo.

In the last few decades, wind turbines have evolved, increasing their size, being more costeffective, and more Eco-friendly. As a consequence of this massive growth, design-engineers encounter new challenges to continue the cost-effectiveness of turbines for all applications. This dissertation proposes an original approach for the prediction of the fatigue lifetime of a composite wind turbine blade considering wind speed uncertainty. The proposed probabilistic approach is based on Monte Carlo simulations and a deep neural network to surrogate the multi-physical simulation model and the multiaxial fatigue analysis of the blade. In order to achieve this goal, several challenges have been taken on, including development of a regression approach to model jump discontinuities, development of a methodology to calculate the global sensitivity analysis of high dimensional problems, and development of an approach to estimate the probabilistic fatigue lifetime by using a detailed fatigue damage analysis of the composite wind turbine blades. The regression model for jump discontinuities is developed by using the Gaussian mixture model and a deep neural network. These discontinuities are found in the response of 10 minutes of aero-elastic simulations in steady and unsteady environmental conditions. The proposed method is compared with other regression machine learning methods, and shows more efficiency and presents a lower mean squared error. To estimate the global sensitivity of the called load application methods used to transfer the aero-elastic wind loads from a 1D beam to a 2D shell blade model, an original approach is developed to calculate the Sobol indices based on a deep neural network surrogate model for high dimensional problems. Two networks are developed, one to estimate the maximum aeroelastic loads considering a 10 minutes mean wind speed, and the second network to estimate the stresses at the blade root for given composite material thicknesses and the maximum aero-elastic loads predicted from the first network. Using the global sensitivity results, the load application method with the lower sensitivity parameters is used to carry out the fatigue life prediction considering wind speed uncertainty. A deep neural network surrogate model is trained to estimate the fatigue damage for a 10 minutes mean wind speed of unsteady aero-elastic simulations, employed to calculate the 10 minutes stress history of the 2D shell blade model and then the fatigue damage considering the non-proportionality of the stresses. The probabilistic fatigue life prediction is proposed by combining a deep neural network surrogate model and Monte Carlo simulations for wind speed between cut-in and cut-out. Finally, the probability density function of the fatigue lifetime is estimated at the maximum damaged point composite layer of the blade.