Collections de documents électroniques
RECHERCHER

Prédiction du comportement en fatigue des composites des pales d'éoliennes à l'aide des méthodes d'intelligence artificielle

Téléchargements

Téléchargements par mois depuis la dernière année

Plus de statistiques...

Ziane, Khaled (2020). Prédiction du comportement en fatigue des composites des pales d'éoliennes à l'aide des méthodes d'intelligence artificielle. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 86 p.

[thumbnail of Khaled_Ziane_mai2020.pdf]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation

Résumé

RÉSUMÉ: Les pales d'éoliennes sont les éléments les plus endommagés et la principale source de dégradation des performances des éoliennes. Une prédiction de défaillance ou de la durée de vie restante des pales permettra aux opérateurs de mieux planifier leurs interventions ainsi que la gestion de leurs éoliennes tout en réduisant leurs coûts d'opération et de maintenance (O&M). C'est dans ce contexte que s'inscrit ce mémoire, qui vise principalement à prédire le comportement en fatigue des composites des pales d'éoliennes à l'aide des méthodes d'intelligence artificielle. Cette technique s'inscrit dans une stratégie de maintenance prédictive appliquée aux pales d'éoliennes. Plus précisément, il s'agit, de prédire bien avant le bris des pales et la rupture des matériaux composites des pales d'éoliennes à l'aide des techniques d'intelligence artificielle en fonction des charges dynamiques, qui ont été développées pour apporter des réponses à des problèmes complexes et qui peuvent avoir un grand nombre de solutions possibles. Les réseaux de neurones utilisés dans le premier article sont employés pour prédire le comportement en fatigue (résistance et durée de vie) des matériaux composites destinés à la conception des pales d'éoliennes. La phase expérimentale sur ces matériaux a été réalisée par les laboratoires nationaux de Sandia, et les données ont été collectées à partir d'une variété de cette base de données. Après plusieurs tests de topologie, algorithme d'apprentissage et d'entrainement, des fonctions d'activations, etc.; le choix s'est arrêté sur le réseau feedforward à une seule couche cachée «? Tow-layer feedforward neural network?» entrainé par un algorithme de recherche coucou « Cuckoo search algorithm » pour prédire la durée de vie en fatigue des pales conçues de deux types d'orientation de fibres, unidirectionnelles et multidirectionnelles. L'objectif du deuxième article est d'identifier les résines les plus résistantes à l'humidité/température en termes de durée de vie en fatigue. Quatre types de résines sont comparés dans ce travail, représentant les résines les plus couramment utilisées pour la fabrication des pales d'éoliennes. Les résines polymères thermodurcissables, y compris les polyesters et les esters vinyliques ont été usinées sous forme des coupons et testées dans des températures de 20 °C et 50 °C dans des conditions "sèches" et "humides". Les données expérimentales sur la fatigue, disponibles de « Sandia National Laboratories (SNL) », ont été utilisées pour construire, entrainer et valider notre réseau, ainsi que pour prédire la durée de vie en fatigue dans différentes conditions environnementales. Les performances de trois algorithmes (Backpropagation BP, Particle Swarm Optimization PSO et Cuckoo Search CS) sont comparées pour ajuster les poids synaptiques de ce réseau et pour évaluer leur efficacité de prédire la durée de vie en fatigue des matériaux étudiés, sous les conditions mentionnées ci-dessus. Pour l'évaluation de la précision, l'erreur quadratique moyenne (Mean Square Error MSE) est utilisée comme fonction objective à optimiser par les trois algorithmes. -- Mot(s) clé(s) en français : Pales d'éolienne, Matériaux composites, Durée de vie en fatigue, Réseaux de neurones artificiels, Prédiction, Particle swarm optimization, Backpropagation, Cuckoo search. -- ABSTRACT: Wind turbine blades are still the most damaged elements and the main source of degraded wind turbine performance. Predicting failures or the remaining life of the blades will allow operators to better plan their interventions as well as the management of their wind turbines while reducing their operating and maintenance costs (O&M). In this context that this thesis is written, which mainly aims to predict the fatigue behavior of wind turbine blade composites using artificial intelligence methods. This technique is part of a predictive maintenance strategy applied to wind turbine blades. More precisely, it is a question of predicting well before the rupture of the blades and the rupture of the composite materials of the blades of wind turbines using the techniques of artificial intelligence according to the dynamic loads, which have been developed to provide answers to complex problems which can have a large number of possible solutions. The neural networks used in the first article are used to predict the fatigue behavior (strength and lifetime) of composite materials intended for the design of wind turbine blades. Sandia National Laboratories carried out the experimental phase on these materials, and data was collected from a variety of this database. After several tests of topology, learning and training algorithm, activation functions, etc.; the choice stopped on the feedforward neural network with a single hidden layer "Tow-layer feedforward neural network" trained by a cuckoo search algorithm to predict the fatigue life of blades designed of two types of fiber orientation, unidirectional and multidirectional. The objective of the second article is to identify which resins are the most robust to moisture/temperature in terms of fatigue life. Four types of resins are compared in this work, representing the most common resins used for wind turbine blades manufacturing. Thermoset polymer resins, including polyesters and vinyl esters, were machined as coupons and tested for the fatigue in air temperatures of 20 °C and 50 °C under "dry" and "wet" conditions. The fatigue experimental data available from Sandia National Laboratories (SNL) for wind turbine-related materials has been used to build, train and validate an Artificial Neural Network (ANN) to predict the fatigue life under different environmental conditions. The performances of three algorithms (Backpropagation BP, Particle Swarm Optimization PSO and Cuckoo Search CS) are compared for adjusting the synaptic weights of the Artificial Neural Network (ANN) and to evaluate the efficiency in predicting the fatigue life of the materials studied, under the conditions mentioned above. For accuracy evaluation, Mean Square Error (MSE) is used as an objective function to be optimized by the three algorithms. -- Mot(s) clé(s) en anglais : Wind turbine blades, Composite materials, Fatigue life, Artificial neural networks, Prediction, Particle swarm optimization, Backpropagation, Cuckoo search.

Type de document : Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse : Ilinca, Adrian
Information complémentaire : Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade « maître ès sciences appliquées »(M. Sc. A.).
Mots-clés : Éoliennes Turbines Pales Composites Fatigue Durée de vie Intelligence artificielle
Départements et unités départementales : Département de mathématiques, informatique et génie > Génie
Déposé par : DIUQAR UQAR
Date de dépôt : 20 août 2021 12:22
Dernière modification : 20 août 2021 12:22
URI : https://semaphore.uqar.ca/id/eprint/1894

Actions (administrateurs uniquement)

Éditer la notice Éditer la notice