2.

2 Optimización de las palas de la turbina eólica

Las características aerodinámicas de los aerogeneradores dependen en gran medida de sus
formas. La geometría de un perfil puede afectar directamente a los coeficientes de elevación
y resistencia durante el funcionamiento y, a su vez, afectar a la cantidad de energía que puede
generar un aerogenerador[17]. La mejora de las formas de los aerogeneradores y palas puede
mejorar eficazmente el rendimiento de las turbinas eólicas en la cosecha de energía. Por lo
tanto, consideramos la optimización de la forma aerodinámica de las palas aerodinámicas
como un tema de investigación en esta disertación.
La optimización de la forma es una rama importante en la optimización del diseño que
básicamente implica la determinación de la forma de un objeto para minimizar o maximizar
una función objetiva sujeta a las restricciones del diseño. Es ampliamente utilizado en la
industria y el comercio para mejorar los productos, así como para reducir los riesgos debidos
a los malos diseños. Los diseñadores de aerogeneradores utilizan la optimización de la forma
para mejorar su rendimiento en la utilización de la energía eólica. En la industria del
automóvil, los fabricantes utilizan la optimización de la forma para determinar qué tipo de
formas de coche pueden reducir la resistencia. También se aplica al diseño de difusores para
maximizar la recuperación de la presión estática. En la industria aeronáutica, la optimización
de la forma puede ayudar a mejorar las propiedades aerodinámicas aumentando la elevación
y reduciendo la resistencia.
Este estudio se centra en la optimización de la forma de las hojas 2D y 3D para mejorar sus
características aerodinámicas, en particular para lograr dos objetivos: aumentar la elevación
y reducir la resistencia. Una combinación de elevación y resistencia, que es la relación
elevación/arrastre (relación L/D), también se utiliza como objetivo de optimización
combinado con la maximización de la fuerza de elevación.
La razón por la que los diseñadores de aerogeneradores se centran en optimizar la relación
L/D es que la pala del rotor de un aerogenerador actúa como un ala con fuerza de elevación
que gira la pala alrededor del eje del aerogenerador y, por lo tanto, impulsa un generador
eléctrico para generar electricidad. La energía producida por una turbina eólica se escala con
la relación elevación/arrastre y la velocidad de rotación del rotor. Es deseable tener una L
grande con una gran relación elevación/arrastre para extraer mayor potencia del viento que
viene en dirección contraria.
La optimización de los aeródromos transónicos para la reducción de la resistencia se
selecciona para un estudio de validación con el fin de probar la capacidad de las herramientas
basadas en CFD para la optimización de la forma mediante algoritmos genéticos. El objetivo
de optimización en este caso se centra en la reducción de la resistencia (especialmente la
reducción de la resistencia a los golpes) mientras se mantiene la elevación. La razón de este
estudio es que el arrastre juega un papel importante en el rendimiento de la aeronave y por lo
tanto la optimización de la forma de una aeronave a velocidades transónicas para minimizar
el arrastre por choque es un tema de gran interés en Aerodinámica Computacional.
La mayoría de los aviones comerciales modernos operan a velocidades de crucero
transónicas. Un avión en movimiento a velocidades transónicas se encuentra con un rápido
aumento de la resistencia debido a las ondas de choque que aparecen en varios puntos de su
superficie, especialmente en las alas. Estas ondas de choque causan flujo
la inestabilidad y el aumento de la fuerza de arrastre, lo que se traduce en un mayor consumo
de combustible o en una menor eficiencia energética. El objetivo de la reducción de la
resistencia al choque es, en última instancia, diseñar aerodinámicos libres de choque con una
menor resistencia al choque o incluso eliminar el choque por completo. Sin embargo, la
reducción de la resistencia por sí sola no puede ser
el objetivo de optimización si afecta negativamente al ascensor; en general, existe un
equilibrio entre el ascensor y el arrastre[18]. En el proceso de optimización deben cumplirse
varios criterios importantes para lograr no sólo un perfil sin choques, sino también un perfil
aerodinámico eficiente con buenas características de resistencia, un límite de buffet lo
suficientemente alto como para permitir el crucero con el coeficiente de elevación de diseño,
y sin que se produzcan desviaciones insatisfactorias del diseño rendimiento, etc. [19].
2.5 Algoritmos genéticos
La optimización aerodinámica de la forma siempre ha sido un problema difícil porque la
dinámica de fluidos que gobierna es no lineal[24]. El algoritmo genético es un buen algoritmo
de optimización de la forma porque puede tratar con un gran número de variables de diseño
continuas y enteras, ya que busca espacios de diseño altamente multimodales y discontinuos.
También puede encontrar el óptimo global sin necesidad de un punto de diseño inicial[25].
Los algoritmos genéticos también son capaces de obtener la mejor solución para la
optimización del trazado del parque eólico debido a su capacidad única para modelar el
comportamiento de la configuración de un parque eólico y encontrar el óptimo global.
El objetivo de este trabajo es emplear algoritmos genéticos de uno y varios objetivos para la
optimización de la forma de los aerogeneradores, las palas y la optimización de la disposición
de los parques eólicos.
El software ANSYS-FLUENT[26], disponible en el mercado, se utiliza para el cálculo de los
valores de utilizando las ecuaciones de Reynolds-Averaged Navier-Stokes (RANS) en
combinación con un modelo de turbulencia de dos ecuaciones o de tres ecuaciones. Usando
el software de CFDs con un obtenemos perfiles de vuelo globalmente óptimos para una
determinada condición de flujo.
3.1 Optimización de aerogeneradores y aerogeneradores
La optimización computacional se ha aplicado durante décadas para resolver
sistemáticamente los problemas de diseño aerodinámico. Desde los años 70, Hicks, Murman
y Vanderplaats[27, 28] fueron de los primeros en investigar el problema de la optimización
de la forma aerodinámica. Aunque alentadores, sus resultados en la optimización de la
aerodinámica transónica mostraron algunos resultados bastante inesperados y señalaron
varias dificultades. La principal dificultad radicaba en el número inadecuado de parámetros
de diseño, que se debía a la potencia de cálculo relativamente limitada de la época.
Con el desarrollo de la velocidad y la capacidad de memoria del ordenador y especialmente
los avances en los métodos de cálculo de gradiente de parámetros, como el método de
adición[29] y el método directo basado en Newton, la limitación del número de parámetros
de diseño se reduce en gran medida. Se han hecho varias contribuciones durante los años 80
describiendo las estrategias de optimización para el diseño de aerodinámicas. Drela[30]
empleó un método de optimización global incrustado con su esquema inverso para el diseño
de aerodinámicas. Cosentino y Holst[31] emplearon un eficiente solucionador de flujo
tridimensional de pleno potencial junto con un algoritmo de optimización casi ilimitado
modificado de Newton para diseñar configuraciones avanzadas de alas transónicas.
Jameson[29] propuso el uso de la teoría de control para el diseño aerodinámico a fin de lograr
una solución de optimización eficiente.
Los diseñadores de aerogeneradores han estado buscando constantemente un método de
diseño de palas de bajo coste y alta eficiencia. En los primeros días, el método de Glauert y
Wilson se utilizaba principalmente para el diseño de palas[32, 33]. Tradicionalmente, las
palas de los aerogeneradores utilizan perfiles de aviación general porque son perfiles de baja
velocidad y sus características aerodinámicas han sido estudiadas exhaustivamente en las
últimas décadas.
Las investigaciones actuales sobre la viabilidad del aerogenerador para la generación de
energía han abarcado todo el proceso de diseño del aerogenerador, desde la pala hasta los
intrincados sistemas de control que permiten un rendimiento óptimo. Algunos trabajos
importantes sobre la teoría aerodinámica de los aerogeneradores incluyen la ecuación de
Betz, que muestra un enfoque matemático para evaluar varios parámetros involucrados en el
diseño del aerogenerador[34].
Durante la última década, varios investigadores se han centrado en la optimización de los
aerogeneradores. Fuglsang y otros[35] desarrollaron métodos de optimización para rotores
de aerogeneradores. Stiesdal[36] desarrolló el aerogenerador, los componentes y la
operación. Hansen[37] trabajó en
aerodinámica de los aerogeneradores. Fuglsang y otros[35] desarrollaron la optimización del
diseño específico de la turbina eólica de 1,5-2,0 MW. Benini y otros[38] desarrollaron un
diseño óptimo de aerogeneradores de eje horizontal utilizando la teoría de los elementos de
las palas y el cálculo evolutivo. Grauers[39] trabajó en la eficiencia de tres sistemas
generadores de energía eólica.
Tan[40] compara la eficacia de un algoritmo evolutivo con un algoritmo de enjambre en
diseño inverso, y en problemas de optimización de forma de aerodinámica de objetivo único
y objetivo múltiple. Utiliza el método PARSEC para la representación del perfil
aerodinámico para números Mach de hasta 0,78 y sus objetivos de optimización son la
minimización de la relación arrastre-elevación, mientras que la elevación se predefine o se
establece un mínimo o se deja sin restricciones. Aunque Tan encuentra que ambos métodos
se adaptan bien a los problemas de optimización de la forma del perfil, muchas formas de
perfil que resultan del problema del coeficiente de elevación no restringido muestran la
característica poco convencional de tener múltiples cambios en la curvatura del perfil.
Alpman[41] aplicó la GA al problema de optimización de la forma del perfil en flujo
incompresible con los perfiles de la serie NACA de 4 dígitos. Un solucionador de flujo
acoplado por el método de capa límite/panel se enlaza con el algoritmo de optimización
dentro de un bucle de diseño automatizado. El objetivo de optimización es la minimización
del coeficiente de arrastre con limitaciones en el coeficiente de elevación, el coeficiente de
momento y el ángulo de ataque del flujo. Sus resultados demostraron que la evolución
diferencial puede ser utilizada eficazmente para la optimización de la forma del perfil. Sin
embargo, los perfiles resultantes eran muy delgados y la relación de arrastre optimizada
parecía ser poco realista, del orden de 3e-6.
Burger[42] y Hartfield aplican un GA a un problema de optimización de aerogeneradores
que utiliza un método de red de vórtice para predecir el rendimiento de los aerogeneradores.
La optimización se basa en los perfiles de 4 dígitos de NACA. Las variables de optimización
incluían la máxima inclinación, la posición de la máxima inclinación, la longitud de la pala
de la turbina, el ancho de la pala en la raíz y la punta, el barrido de la pala y el ángulo de
ataque de la pala en función de la posición radial. Su trabajo con precisión predijo el
rendimiento de la turbina eólica bajo las restricciones descritas y recomendaron para trabajos
futuros, la inclusión de secciones de palas variables con diferentes camber a lo largo del rotor
span.
Michael[43] llevó a cabo un análisis de optimización económica de un aerogenerador de
velocidad variable y tres palas de eje horizontal para demostrar que los aerogeneradores
modernos se han convertido en una forma económicamente competitiva de fuente de
generación de energía limpia y renovable y que la optimización de los aerogeneradores para
sitios específicos puede aumentar aún más su competitividad económica. Su trabajo se centró
en la optimización de la forma de las palas de los aerogeneradores para maximizar el
rendimiento energético de los mismos. Presentó una herramienta de diseño para optimizar
las palas de los aerogeneradores utilizando el código de algoritmo genético de MATLAB
para cualquier tipo de aerogenerador, siempre que el objetivo sea el mismo.
Kenway[44] y Martins investigaron la optimización de la forma aeroestructural del rotor de
la turbina eólica con respecto a los vientos específicos del sitio. La función del objetivo era
minimizar el Costo de la Energía (COE). Las variables de diseño fueron cordón, torsión,
espesor de la chincheta, ubicación de la chincheta, longitud de la chincheta, espesor del perfil
y velocidad de rotación. El perfil base era de la serie NACA 44XX con el espesor
determinado por un método basado en gradientes llamado esquema de optimización SNOPT,
a diferencia de GA, que se basa en el enfoque de programación cuadrática secuencial. XFOIL
se utilizó para calcular los coeficientes aerodinámicos en la región de flujo adjunta. Los
aerogeneradores con un diámetro de 5 m fueron optimizados en dos lugares diferentes, con
diferentes velocidades medias del viento. Se lograron aumentos significativos en la
producción de energía en cada sitio. Se obtuvieron aumentos de potencia más pequeños, pero
aún significativos, cuando los aerogeneradores optimizados se modelaron en el sitio eólico
opuesto.
Xuan et al[45] optimizó el comportamiento aerodinámico y aeroacústico de un aerogenerador
de 0,5 MW y 1,5 MW utilizando un GA. El rotor estaba definido por un único perfil,
representado por una curva de Bezier. Los coeficientes aerodinámicos fueron calculados por
XFOIL mientras que los niveles de presión acústica fueron determinados por NAFNoise.
Para el aerogenerador de 1,5 MW, se logró una pequeña reducción en la generación de ruido
con diferencias insignificantes en la producción de energía. La forma del perfil sólo era
ligeramente diferente de la original, posiblemente debido a la distribución errática de los
puntos de control de la curva de Bezier. Investigaciones recientes se han llevado a cabo
acoplando modelos utilizados para la predicción del rendimiento con algoritmos de
optimización.
Autores en Ref. 46] utilizó CFD junto con un diseño de experimentos y un método de
superficie de respuesta, centrándose sólo en perfiles simétricos de palas en dos dimensiones
utilizando una curva de Bezier de siete puntos de control.
Bourguet[47] simuló una sola hoja de baja solidez para evitar efectos indeseables de
inestabilidad. Encontró que cuando existe la posibilidad de varios optima locales, por lo
tanto, los algoritmos de optimización estocástica son más adecuados para el trabajo, ya que
tienden a ser más eficientes que los algoritmos basados en grados.
La investigación también ha dado lugar a diseños de palas patentados que utilizan CFD y
optimización[48]. Además de utilizar técnicas de optimización, también se pueden utilizar
métodos de diseño inverso para encontrar un diseño óptimo para una relación de velocidad
de punta fija que satisfaga las características de rendimiento de diseño especificadas. Sin
embargo, las técnicas de diseño inverso requieren experiencia e intuición para especificar el
rendimiento deseado, mientras que la optimización permite generar diseños que la mayoría
de las veces van más allá de la intuición de un diseñador.
3.2 Métodos de optimización
Los métodos de optimización son ampliamente utilizados en el proceso de diseño de palas
de aerogeneradores, aerogeneradores y otras partes del sistema. Entre los muchos métodos
de optimización aplicados al diseño y optimización de aeródromos, los algoritmos genéticos
se han aplicado en la práctica para resolver muchos problemas complejos debido a su
capacidad de evitar el cálculo de gradientes y a su ventaja al tratar con todas las facetas de la
computación suave, a saber, la robustez, la no linealidad y la incertidumbre.
Vicini y Quagliarella[46] estudiaron las capacidades de los algoritmos genéticos
multiobjetivo para el diseño aerodinámico de los aeródromos transónicos. Compararon sus
resultados con un único punto y un enfoque multipunto y demostraron las ventajas de la
optimización multiobjetivo.
Sun[49] investigó el diseño de un perfil aerodinámico de una turbina eólica bajo varias
condiciones de operación mediante el uso de una combinación adecuada de técnicas de
análisis de flujo y optimización. Las ecuaciones incompresibles de Navier-Stokes y el modelo
de turbulencia k-ε se utilizaron para calcular el coeficiente aerodinámico de una
aerodinámica. Se aplicó el método de superficie de respuesta (RSM) para obtener la solución
óptima de la función objetivo definida y el plazo de penalización de la restricción. Las formas
optimizadas del perfil aerodinámico tienen un buen rendimiento aerodinámico de acuerdo a
varias condiciones de operación (tales como cambio en el ángulo de ataque), funciones
objetivas (coeficiente mínimo de resistencia o máximo de relación elevación/arrastre), y
restricciones (el coeficiente de elevación de un perfil diseñado es más alto que el de un perfil
aerodinámico de línea base en un cierto ángulo de ataque).
Lee et al.[50] propusieron un enfoque para diseñar un aerogenerador de eje horizontal
utilizando procedimientos de optimización de dos pasos con enfoque de probabilidad. La
probabilidad de éxito mejoró considerablemente desde el espacio de diseño inicial hasta el
espacio de diseño final.
Casas y cols.[51] establecieron un entorno de diseño automático combinado con una
simulación aerodinámica y se utilizó un proceso de optimización del diseño para mejorar la
aerodinámica. de una pala de aerogenerador.
4 Metodología

4.1 Descripción general

Esta tesis está dedicada al desarrollo de los sistemas de optimización en el campo del diseño
mecánico. Se contribuye especialmente a la industria de la energía eólica, incluyendo la
optimización de las palas de los aerogeneradores y la optimización de los parques eólicos.
Los sistemas de optimización se construyen en base a algoritmos evolutivos. Se emplean
algoritmos genéticos de uno o varios objetivos.
Los sistemas de optimización empleados en esta tesis han integrado con éxito los algoritmos
de optimización con metodologías de simulación tanto numéricas como analíticas, que son
capaces de evaluar los objetivos de cada candidato de diseño individual generados durante la
optimización. La Figura 4-1 muestra un esquema de los sistemas de diseño. Ilustra cómo los
algoritmos de optimización interactúan con los métodos de simulación externos.
Para los problemas de optimización de la forma de los aerogeneradores, un individuo es
representado por un archivo de datos de geometría de aerogenerador, que se transmite al
programa de preprocesamiento Gambit[78]. Gambit se utiliza para crear la geometría del
perfil y de la malla; crea una malla estructurada o no estructurada bidimensional que luego
se transmite como entrada al FLUENTE del resolvedor de flujo de CFD para el cálculo del
campo de flujo. FLUENT se utiliza para resolver el coeficiente de elevación Cl y el
coeficiente de resistencia Cd. Alguna combinación de estos valores (Cl y/o Cl/Cd) se toman
como cantidades de interés (valores objetivos únicos o múltiples) para determinar la
idoneidad de la aerodinámica. El algoritmo mostrado en la Figura 4-2 continúa hasta que se
alcanza la convergencia en los valores objetivos.
Para los problemas de optimización del diseño del parque eólico, las personas están
representadas por matrices o vectores que almacenan la información de las distribuciones de
los aerogeneradores para un diseño de parque eólico. Esta información se transmite al
Programa de Evaluación de Potencia codificado por el lenguaje de programación JAVA. El
Programa de Evaluación de Potencia extrae la información de localización de los
aerogeneradores, determina los efectos de estela entre ellos basándose en varios modelos de
estela, y calcula la potencia de salida para cada aerogenerador utilizando algún modelo
aerodinámico. La potencia total de todos los aerogeneradores se considera el valor objetivo
que determina la idoneidad del trazado del parque eólico. El algoritmo mostrado en la Figura
4-3 continúa hasta que la convergencia en el valor objetivo se logra.
4.2 Algoritmo genético
En esta sección se describen los conceptos de algoritmo genético empleados en este trabajo.
La discusión comienza con la técnica de optimización de algoritmos genéticos de un solo
objetivo, seguida de la introducción del algoritmo genético multiobjetivo.
4.2.1 Algoritmo genético de objetivo único (SOGA)
Los algoritmos genéticos son una clase de algoritmos de optimización estocástica inspirados
en la evolución biológica. SOGA es la AG más comúnmente aplicada. En SOGA, un
conjunto o generación de vectores de entrada, llamados individuos, se itera, combinando
sucesivamente rasgos (aspectos) de los mejores individuos hasta que se logra una
convergencia. En general, GA emplea los siguientes pasos[79].
1. Inicialización: Crea aleatoriamente individuos k. Cada individuo (x) es un cromosoma con
n alelos como se ilustra en la Figura 4-4. Cada individuo (x) imita a una sola criatura en un
grupo biológico como se muestra en la Figura 4-5.
2. Evaluación: Evaluar la aptitud de cada individuo.
3. Selección natural: Clasificar a los individuos en orden de aptitud física decreciente y
eliminar un subconjunto de los individuos. A menudo, los individuos que tienen la aptitud
más baja son eliminados; aunque la eliminación, la eliminación de los individuos con aptitud
similar, a veces se lleva a cabo. Este paso imita el proceso de selección natural en el mundo
biológico mostrado en la Figura 4-6. Los individuos de la izquierda son llamados
sobrevivientes y pasarán a los siguientes pasos.
4. Reproducción: Escoja parejas de individuos de los sobrevivientes del último paso como
padres para producir una descendencia. Esto se hace a menudo mediante el muestreo de la
rueda de la ruleta; es decir, la probabilidad de seleccionar un hi individual para su
reproducción viene dada por:
Luego se realiza una función de cruce para producir la descendencia. Generalmente, el
crossover se implementa eligiendo un punto de crossover en cada individuo e intercambiando
alelos - o elementos vectoriales - en este punto como se ilustra en la Figura 4-7. Este
procedimiento se detiene cuando el número total de sobrevivientes y descendientes es igual
al número de individuos de la generación inicial (k).
4. Mutación: Alterar aleatoriamente un pequeño porcentaje de la población. Esto es análogo
a la mutación biológica. El propósito es mantener la diversidad genética y prevenir la óptima
local.
5. Compruebe si hay convergencia: Si la solución ha convergido, devuelva el mejor individuo
observado. Si la solución aún no ha convergido, marque la nueva generación como la
generación actual y vaya al paso 2. La convergencia se define a menudo por un cierto número
de generaciones o por un umbral de similitud.
4.2.2 Algoritmo genético multiobjetivo (MOGA)
Para muchos problemas de diseño, es deseable lograr, si es posible, la optimización
simultánea de múltiples objetivos[80]. Estos objetivos, sin embargo, suelen ser
contradictorios, lo que impide la optimización simultánea de cada objetivo[81]. Por lo tanto,
en lugar de buscar una única solución óptima, es necesario un algoritmo genético
multiobjetivo para encontrar un conjunto de soluciones óptimas (generalmente conocidas
como soluciones Pareto-óptimas). En esta disertación, los algoritmos MOGA utilizados para
encontrar las soluciones óptimas de Pareto al problema de la optimización de la aerodinámica
en este caso son es ampliamente conocido como Algoritmo Genético de Clasificación No
Dominado II (NSGA-II)[82].
En NSGA-II, un conjunto de solución Pareto-óptima se define como aquel en el que cualquier
individuo dentro del conjunto domina a cualquier individuo fuera del conjunto, mientras que
cualquier individuo en el conjunto no es dominado por otro individuo en este conjunto de
soluciones. Aquí, se dice que una solución factible x domina otra solución factible y, si y
sólo si, todos los objetivos de x no son peores que los de y y y al menos un objetivo de x es
mejor que el de y. Se dice que una solución es óptima de Pareto si no está dominada por
ninguna otra solución en el espacio de solución[81].
El algoritmo NSGA-II se emplea en este estudio debido a las siguientes tres características:
(1) utiliza un principio elitista, (2) utiliza un mecanismo explícito de preservación de la
diversidad, y (3) enfatiza soluciones no dominadas en una población[83]. El procedimiento
de implementación de NSGA-II es el siguiente[82]:
1) En la generación 0, se crea una población parental aleatoria P0 de tamaño N; se clasifica
en función de la no dominación. Luego se clasifican los individuos en P0: 1 es el mejor nivel,
2 es el siguiente mejor nivel, y así sucesivamente. Luego se envía P0 a selección,
recombinación y mutación. para crear una población de descendientes Q0 de tamaño N.
2) En la generación t- th, se forma una población combinada Rt =Pt U Qt de tamaño 2N y se
clasifica según la no dominación. Luego los individuos en Rt son divididos en el mejor
conjunto no dominado F1, el siguiente mejor conjunto no dominado F2 y así sucesivamente.
Si el tamaño de F1 es menor que N, todos los miembros de F1 van a Pt+1, con los miembros
restantes elegidos de F2, F3 .... hasta que el tamaño de Pt+1 sea N. Luego se envía la nueva
población Pt+1 a los operadores de selección, cruzamiento y mutación para crear una nueva
población Qt+1 de tamaño N.
3) Terminación: el procedimiento finaliza cuando se cumplen los criterios de convergencia.

Este estudio utiliza un paquete de código Java llamado jMetal. Es un framework basado en
Java para la optimización multiobjetivo utilizando meta-heurística. Es fácil de usar y es
flexible y extensible. [84].