This work presents the development of a deep learning (DL) model using the multi-criteria optimal design of wind turbine blades, focusing on the variables of tip speed ratio and Von Mises stress to predict: blade mass, power coefficient and natural frequency. The DL model was trained with data that were generated from three mathematical functions, which were constructed with the weighted inverse distance technique. The model allows the generation of multiple feasible designs that satisfy the design constraints. The BEM theory was used in the generation of the aerodynamic model using an NRELS818 airfoil and a wind turbine with a power of 12.5 kW. Simulations were performed, with the objective of analyzing the structural behavior of the blades, using three cases of simplified design loads specified in the IEC 61400-2 standard. The results showed that in the training phase, the MAE, MSE and MSR error metrics were an essential guide in the development of the DL model. Interesting behaviors were observed due to the diverse results obtained, which are probably due to the difficult-to-observe multidimensional fits in the fit functions generated. However, training between 200 and 250 epochs obtained better results, with errors ranging from 0.050 to 0.120 for the MAE. The DL model showed a remarkable ability to predict the optimal output variables, with accuracy ranging from 90% to 98%.
En este trabajo se presenta el desarrollo de un modelo de aprendizaje profundo (Deep Learning, DL) usando el diseño óptimo multicriterio de las aspas de un aerogenerador, centrándose en las variables de la velocidad específica y el esfuerzo de Von Mises para predecir: masa del aspa, el coeficiente de potencia y la frecuencia natural. El modelo DL se entrenó con datos que fueron generados a partir de tres funciones matemáticas, las cuales fueron construidas con la técnica de la distancia inversa ponderada. El modelo permite generar múltiples diseños factibles que satisfacen las restricciones de diseño planteadas. La teoría BEM se utilizó en la generación del modelo aerodinámico usando un perfil aerodinámico NRELS818 y un aerogenerador con una potencia de 12.5 kW. Se realizaron simulaciones, con el objetivo de analizar el comportamiento estructural de las aspas, para esto se usaron tres casos de cargas simplificadas de diseño especificadas en la norma IEC 61400-2. Los resultados mostraron que, en la fase de entrenamiento, las métricas de error MAE, MSE y MSR fueron una guía esencial en el desarrollo del modelo DL. Se observaron comportamientos interesantes debido a los diversos resultados obtenidos, que probablemente se deban a los ajustes multidimensionales difíciles de observar en las funciones de ajuste generadas. Sin embargo, el entrenamiento entre 200 y 250 épocas obtuvo mejores resultados, con errores que oscilaron entre 0.050 y 0.120 para el MAE. El modelo DL mostró una notable capacidad para predecir las variables de salida óptimas, con una precisión que osciló entre el 90% y el 98%.
