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

Machine learning assisted probabilistic prediction of long-term fatigue damage and vibration reduction of wind turbine tower using active damping system

• 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-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mécanique de Normandie (Saint-Etienne-du-Rouvray, Seine-Maritime ; 1993-....)
• Jury : Président / Présidente : Uwe Starossek
• Jury : Examinateurs / Examinatrices : Didier Lemosse, Emilio Bastidas-Arteaga, Yue Li, Younes Aoues, Anne Pantet, Vincent Le Corre, Jean-Marc Cherfils
• Jury : Rapporteurs / Rapporteuses : Emilio Bastidas-Arteaga, Yue Li

Mots clés

Mots clés contrôlés

Optimisation globale

Équations différentielles

Équations d'évolution

Algorithmes évolutionnaires

Réseaux neuronaux (informatique)

Contrôle actif du bruit et des vibrations

Matériaux -- Fatigue

Vents -- Vitesse

Vibrations

Éoliennes

Mots clés libres

Mât d'éolienne

Condition de vent avec rafale

Condition de vent avec turbulence

Analyse probabiliste en fatigue

Réseaux de neurones profonds

Algorithme évolutionniste

Evolution différentielle

Wind turbine tower

Wind gust condition

Wind turbulence condition

Probabilistic fatigue analysis

Active control

Deep neural network

Evolutionary algorithm

Differential evolution

Optimization

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.

This dissertation is devoted to the development of an active damping system for vibration reduction of wind turbine tower under gusty wind and turbulent wind. The presence of vibrations often leads to either an ultimate deflection on the top of wind tower or a failure due to the material’s fatigue near the bottom of wind tower. Furthermore, given the random nature of wind conditions, it is indispensable to look at this problem from a probabilistic point of view. In this work, a probabilistic framework of fatigue analysis is developed and improved by using a residual neural network. A damping system employing an active damper, Twin Rotor Damper, is designed for NREL 5MW reference wind turbine. The design is optimized by an evolutionary algorithm with automatic parameter tuning method based on exploitation and exploration.