Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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].