Aprendizado de máquina para previsão de vazão e pressão em um conversor de energia das ondas de coluna de água oscilante

Abstract

A utilização da energia das ondas se coloca como uma alternativa renovável, diversificando a matriz energética e reduzindo o consumo de fontes fósseis. Um dos dispositivos proeminentes para captação da energia das ondas é a Coluna de Água Oscilante (CAO), que consiste em uma câmara hidropneumática onde a oscilação da superfície oceânica comprime o ar confinado, acionando uma turbina. Este trabalho combina simulação numérica e algoritmos de aprendizagem de máquina, objetivando desenvolver modelos de previsão para vazão volumétrica e pressão através da câmara CAO. O banco de dados para os modelos foi criado utilizando técnicas de Design de Experimentos (DOE), onde diferentes combinações de altura e comprimento de onda foram simuladas via CFD (Computational Fluid Dynamics) através do método dos volumes finitos (MVF). Após, a informação da altura de elevação de onda é alimentada a uma rede neural profunda totalmente conectada, que utiliza os dados simulados para aprendizado e retorna previsões baseadas nas informações fornecidas. A performance do modelo é avaliada em termos de uma função custo (Mean Squared Error). O modelo empregado possibilita identificar picos de vazão e pressão para o período de onda fornecido na entrada e os resultados encontrados apresentam diferenças de até 5% noRMS (Root Mean Square) entre as previsões e os dados simuladosvia CFD. A principal contribuição do trabalho está na utilização de aprendizado de máquina na previsão de condições de operação tradicionais de um dispositivo CAO, trazendo um conceito que pode ser aplicado em fases iniciais do projeto destes dispositivos.

The use of wave energy presents itself as a renewable alternative, diversifying the energy matrix and reducing the consumption of fossil fuels. One of the prominent devices for ocean wave harvesting is the Oscillating Water Column (OWC), which consists of a hydropneumatic chamber where the oscillation of the water surface compresses the confined air, driving a turbine. This work combines numerical simulation and machine learning algorithms, aiming to develop predictive models for mass flow rate and pressure through the OWC chamber. The database for the models was created using Design of Experiments (DOE) techniques, where different combinations of wave height and wavelength were simulated via Computational Fluid Dynamics (CFD) using the Finite Volume Method (FVM). Subsequently, the wave elevation height data is fed into a fully connected deep neural network, which uses the simulated data for learning and returns predictions based on the provided information. The model's performance is evaluated in terms of a cost function (Mean Squared Error). The employed model allows for the identification of flow rate and pressure peaks for the wave period provided at the input, and the results show differences of up to 5% in RMS (Root Mean Square) between the predictions and the CFD data. The main contribution of this work lies in the use of machine learning in predicting traditional operating conditions of an OWC device, introducing a concept that can be applied in the early stages of the design of such devices.