Publicação
Developing of computing models for defect identification in wind turbine blades
| Resumo: | A energia eólica, com sua rápida expansão global, destaca-se como uma das fontes de energia renovável de crescimento mais rápido. Com os avanços na tecnologia das turbinas eólicas, houve um aumento notável no tamanho das pás, melhorando sua eficácia na captação do vento. O setor da energia eólica está ativamente explorando tecnologias inovadoras de inspeção para mitigar riscos humanos e minimizar custos. Com os avanços em robótica e técnicas de inspeção, algoritmos de aprendizado automática e inteligência artificial estão sendo desenvolvidos para automatizar e processar eficientemente grandes volumes de dados, reduzindo custos e riscos de segurança relacionados ao perigoso trabalho humano necessário para inspecionar as pás das turbinas eólicas. Em linha com esse objetivo, a presente dissertação de mestrado visa desenvolver e/ou melhorar uma ferramenta de inteligência artificial capaz de processar e detetar defeitos em imagens RGB das pás de turbinas eólicas. Conclui-se que as redes neurais convolucionais se destacam no processo de classificação de imagens em grande escala. Consequentemente, um modelo de rede neural convolucional é proposto e posteriormente treinado. Três diferentes técnicas de treino são exploradas e comparadas na capacidade de previsão geral do modelo final. Apesar do desempenho promissor para bancos de dados mais volumosos, o modelo não conseguiu treinar efetivamente no conjunto de dados de danos das pás de turbina disponível, principalmente devido ao tamanho limitado do banco de dados. Uma tentativa subsequente de desenvolver outra arquitetura CNN adaptada para bancos de dados menores também produziu resultados insatisfatórios. |
|---|---|
| Autores principais: | Berman, Renan Belli |
| Assunto: | Energia eólica Pás de turbina eólica Compósitos reforçados por fibras Aprendizado automatizado Redes neurais convolucionais Wind energy Wind turbine blades Fiber reinforced composites Machine learning Convoluted neural networks Engenharia e Tecnologia::Engenharia Civil |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | A energia eólica, com sua rápida expansão global, destaca-se como uma das fontes de energia renovável de crescimento mais rápido. Com os avanços na tecnologia das turbinas eólicas, houve um aumento notável no tamanho das pás, melhorando sua eficácia na captação do vento. O setor da energia eólica está ativamente explorando tecnologias inovadoras de inspeção para mitigar riscos humanos e minimizar custos. Com os avanços em robótica e técnicas de inspeção, algoritmos de aprendizado automática e inteligência artificial estão sendo desenvolvidos para automatizar e processar eficientemente grandes volumes de dados, reduzindo custos e riscos de segurança relacionados ao perigoso trabalho humano necessário para inspecionar as pás das turbinas eólicas. Em linha com esse objetivo, a presente dissertação de mestrado visa desenvolver e/ou melhorar uma ferramenta de inteligência artificial capaz de processar e detetar defeitos em imagens RGB das pás de turbinas eólicas. Conclui-se que as redes neurais convolucionais se destacam no processo de classificação de imagens em grande escala. Consequentemente, um modelo de rede neural convolucional é proposto e posteriormente treinado. Três diferentes técnicas de treino são exploradas e comparadas na capacidade de previsão geral do modelo final. Apesar do desempenho promissor para bancos de dados mais volumosos, o modelo não conseguiu treinar efetivamente no conjunto de dados de danos das pás de turbina disponível, principalmente devido ao tamanho limitado do banco de dados. Uma tentativa subsequente de desenvolver outra arquitetura CNN adaptada para bancos de dados menores também produziu resultados insatisfatórios. |
|---|
Atividades financiadas
Não foram encontrados projetos financiados.