Dissertação
Machine learning techniques for damage detection in wind turbine blades EVALUATED
A detecção de dano desempenha um papel vital no funcionamento da maquinaria e representa um dos maiores desafios nas indústrias mecânica, aeroespacial e aeronáutica. A indústria da energia eólica, onde as turbinas eólicas são sujeitas a enormes cargas mecânicas e aerodinâmicas e condições ambientais extremas durante o seu funcionamento, é uma das indústrias que mais pode beneficiar com este tipo de estudo. A instalação de turbinas eólicas requer investimentos significativos durante um longo período no que diz respeito a manutenção e reparações. De forma a reduzir estes custos e garantir a integridade e a longevidade de tais estruturas, a utilização de um sistema de monitorização de saúde estrutural fiável, associado a uma metodologia robusta de detecção de defeitos, é crucial para avaliar a viabilidade dos investimentos durante a sua vida útil. Para a posterior deteção de defeitos, inúmeras técnicas de machine learning e deep learning foram bem sucedidas numa vasta gama de aplicações. Esta tese visa implementar algoritmos capazes de consistentemente detectar e avaliar falhas em duas pás de turbina eólica de material diferente. Técnicas como multivariate Gaussian anomaly detection e anomaly detection autoencoders foram incorporadas com sucesso através do reconhecimento de padrões de desvio do estado saudável para o seu estado danificado em dados adquiridos experimentalmente, tais como parâmetros modais e funções de resposta em frequência. Estes dados de vibração foram obtidos através de ensaios com um shaker modal, ensaios com um martelo modal e ensaios de pull-and-release aplicando análise modal experimental e análise modal operacional.
dezembro 3, 2021, 10:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Nuno Miguel Rosa Pereira Silvestre
Departamento de Engenharia Mecânica (DEM)
Professor Catedrático