Utilisation de l'apprentissage automatique pour la prédiction probabiliste à long-terme du dommage par fatigue et la réduction des vibrations d'un mât d'éolienne par un contrôle actif
Auteur / Autrice : | Hao Bai |
Direction : | Didier Lemosse |
Type : | Thèse de doctorat |
Discipline(s) : | Génie mécanique |
Date : | Soutenance le 18/02/2021 |
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-....) |
Laboratoire : Laboratoire de mécanique de Normandie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1993-....) | |
Jury : | Président / Présidente : Uwe Starossek |
Examinateurs / Examinatrices : Didier Lemosse, Emilio Bastidas-Arteaga, Yue Li, Younes Aoues, Anne Pantet, Vincent Le Corre, Jean-Marc Cherfils | |
Rapporteurs / Rapporteuses : Emilio Bastidas-Arteaga, Yue Li |
Mots clés
Mots clés contrôlés
Résumé
Cette thèse est consacrée au développement d'un système d'amortissement actif pour la réduction des vibrations du mât d'éoliennes en cas de vent avec rafales et de vent avec turbulence. La présence de vibrations entraîne souvent soit une déflexion ultime au sommet du mât d'éolienne, soit une défaillance due à la fatigue du matériau près du bas du mât d'éolienne. De plus, étant donné la nature aléatoire de l'état du vent, il est indispensable d'examiner ce problème d'un point de vue probabiliste. Dans ce travail, un cadre probabiliste d'analyse de la fatigue est développé et amélioré en utilisant le réseau de neurones résiduels. Un système d'amortissement utilisant un amortisseur actif, le Twin Rotor Damper, est conçu pour l'éolienne référentielle NREL 5MW. La conception est optimisée par un algorithme évolutionniste avec une méthode de réglage automatique des paramètres basée sur l'exploitation et l'exploration.