dc.contributor.advisor | Gamarra, Daniel Fernando Tello | |
dc.creator | Schmidt, Júlio Oliveira | |
dc.date.accessioned | 2023-02-01T12:32:04Z | |
dc.date.available | 2023-02-01T12:32:04Z | |
dc.date.issued | 2022-08-15 | |
dc.date.submitted | 2022 | |
dc.identifier.uri | http://repositorio.ufsm.br/handle/1/27697 | |
dc.description.abstract | A source of clean, renewable and permanently abundant energy, wind electric energy has been increasingly sought after all over the world, both in academia and in the business sector, due to its very low environmental impact, it has become increasingly an excellent option. alternative energy production to conventional modes of energy generation. Brazil has
an enormous potential for expansion thanks to its geography that is very favorable to the use of winds, in the Northeast region, for example, it has the capacity to produce up to 75GW of wind energy, equivalent to half of all energy produced by the entire country. According to Abeeólica, Brazil supplies 11.5% of the country's total energy matrix, reaching 20% on days
of high production. Despite all its advantages, it still leaves a lot to be desired in relation to its efficiency, many researches have been carried out driven by the great increase in interest in this type of energy production. In this work I seek to add to these researches carried out in the field a study developed with artificial intelligence using two different neural networks: a
convolutional neural network (CNN) and a short and long term memory (LSTM), for an investigation of the blade mass imbalance. of wind turbine rotors. The final purpose of this work is to bring a way capable of enabling a categorical and competent classification of mass unbalance in the rotor speed, for the better functioning of the system, acting in a more precise, constant and less harmful way to the operation. | eng |
dc.language | por | por |
dc.publisher | Universidade Federal de Santa Maria | por |
dc.rights | Acesso Embargado | por |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Redes neurais convolucionais | por |
dc.subject | turbinas eólicas | por |
dc.subject | detecção de falhas | por |
dc.subject | LSTM | por |
dc.subject | convolutional neural network | eng |
dc.subject | wind energy | eng |
dc.subject | failure detection | eng |
dc.subject | recurrent plot | eng |
dc.subject | markov transformation | eng |
dc.title | Utilização de técnicas de deep learning para predição de desbalanceamento de massa em rotores de turbinas eólicas | por |
dc.title.alternative | Use of deep learning techniques to predict mass imbalance in wind turbine rotors | eng |
dc.type | Trabalho de Conclusão de Curso de Graduação | por |
dc.degree.local | Santa Maria, RS, Brasil. | por |
dc.degree.graduation | Engenharia Elétrica. | por |
dc.description.resumo | Uma fonte de energia limpa, renovável e permanentemente abundante, a energia
elétrica eólica vem sendo cada vez mais buscada em todo o mundo, tanto no ramo acadêmico
quanto no ramo empresarial, por seu baixíssimo impacto ambiental, tem se tornado cada vez
mais uma excelente opção de produção de energia alternativa aos modos convencionais de
geração energética. O Brasil possui um enorme potencial de expansão graças à sua geografia
muito propícia ao aproveitamento dos ventos, na região Nordeste, por exemplo, tem
capacidade de produzir até 75GW de energia eólica, equivalente à metade de toda energia
produzida pelo país inteiro. Segundo a Abeeólica, o Brasil abastece 11,5% da matriz
energética total do país, chegando à 20% em dias de alta produção. Apesar de toda as suas
vantagens, ainda deixa muito a desejar em relação à sua eficiência, muitas pesquisas vem sido
realizadas impulsionadas pelo grande aumento do interesse nesse tipo de produção energética.
Nesse trabalho busco acrescentar à essas pesquisas realizadas no ramo um estudo
desenvolvido com inteligência artificial usando duas redes neurais diferentes: uma rede neural
convolucional (CNN) e uma memória de curto e longo prazo (LSTM), para uma averiguação
no desbalanceamento de massa de lâminas de rotores de aerogeradores. O intuito final desse
trabalho é trazer uma maneira capaz de possibilitar uma classificação categórica e
competente de desbalaceamento de massa na velocidade do rotor, para o melhor
funcionamento do sistema, agindo de forma mais precisa, constante e menos nociva à
operação. | por |
dc.publisher.country | Brasil | por |
dc.publisher.initials | UFSM | por |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA | por |
dc.publisher.unidade | Centro de Tecnologia | por |