Resumen

La demanda de energía limpia ha impulsado la adopción de aerogeneradores eólicos, pero estos dispositivos enfrentan desafíos como fatiga por vibraciones e intensas fuerzas del viento no previstas debido al cambio climático. La implementación de sistemas de monitoreo es una alternativa que cada vez se implementa con más frecuencia para evaluar el estado de la salud estructural de las torres durante su vida útil, pero la alta tecnología de monitoreo y la necesidad de personal especializado hacen que sea costoso e impráctico, especialmente en países en desarrollo como Colombia. La aplicación de técnicas de Machine Learning (ML) en sistemas de monitoreo local de aerogeneradores se está estudiando como un enfoque prometedor para prevenir fallos estructurales catastróficos. El principal reto es lograr el despliegue de sistemas de monitoreo de bajo costo que puedan ser instalados en los aerogeneradores y permitan una respuesta oportuna ante el deterioro de elementos estructurales, lo que minimiza costos de mantenimiento. Actualmente se está ejecutando un plan experimental de instrumentación de un aerogenerador prototipo ubicado en la zona del oriente antioqueño. Se ha instalado un sistema basado en acelerometría y galgas a lo largo del mástil de dicho prototipo de 15 metros de altura. A partir de los sensores de este prototipo se busca utilizar metodologías basadas en ML para detectar, y en lo posible, clasificar anomalías en el aerogenerador. Las actividades de investigación se desarrollarán en cuatro etapas: Primero, se definirán requerimientos del sistema de monitoreo como número de sensores y ubicación con respecto a análisis numérico y simulaciones con softwares de elementos finitos; luego, se ajustará el sistema para utilizar sensores MEMS que son de bajo costo, esto incluye calibraciones y pruebas; la tercera etapa se desplegará el sistema de monitoreo en un aerogenerador construido en el municipio de Rionegro para realizar una prueba piloto de instalación y funcionamiento del sistema en campo, finalmente, mediante los sensores instalados en el aerogenerador, se obtienen datos de condición prístina y deterioro simulado para el para el desarrollo de una metodología de detección de daños basada en diferentes técnicas de ML. El producto final será un sistema nacional de monitoreo continuo que optimice costos y prediga automáticamente el estado estructural de los aerogeneradores identificando estados de deterioro para atención oportuna de la salud estructural.