Investigadores asturianos aplican la Inteligencia Artificial para mejorar el diseño y el mantenimiento de las torres eólicas

Investigadores asturianos trabajan en un proyecto que persigue minimizar el impacto medioambiental de la energía eólica a través del uso de la Inteligencia Artificial. El Principado, a través de la Fundación para el Fomento en Asturias de la Investigación de la Investigación Científica Aplicada y la Tecnología (FICYT), financia esta iniciativa que utiliza técnicas de machine learning para prolongar la vida útil de las turbinas de las torres eólicas, mejorar la eficiencia y sostenibilidad de las instalaciones y calcular la huella de carbono de la energía generada con mayor precisión.

En la carrera por reducir las emisiones de CO2, la energía eólica se ha convertido en una protagonista clave. Sin embargo, no todo es viento a favor. A medida que estas turbinas envejecen, se enfrentan a un desgaste que disminuye su eficiencia. Ubicadas en entornos hostiles como zonas costeras y áreas de fuerte viento, sufren el impacto del desgaste mecánico, la corrosión y abrasión y la acumulación de suciedad, factores que reducen su rendimiento limitando su potencial de ahorro de emisiones. A pesar de su importancia, se trata de un problema de difícil detección por adelantado.

Esos son los antecedentes, pero para poder hacer realidad estos proyectos es imprescindible el apoyo gracias a ayudas como las de FICYT. «Estas convocatorias son esenciales para los grupos de investigación aplicada que trabajan en estrecha colaboración con el entorno empresarial», detalla Francisco Ortega, quien lideró el grupo de investigación de este proyecto. Para Ortega, estas ayudas recibidas «constituyen prácticamente la única forma de convertir sus desarrollos en realidades industriales ya que, al aportar un porcentaje menor de financiación, las empresas pueden asumir el riesgo de promover una idea propuesta por el grupo investigador. Además, el proyecto está liderado por la Universidad, lo que permite una mejor gestión y orientación. Junto con las pruebas de concepto (PoC), estas convocatorias son fundamentales para la transferencia de conocimiento», explica el investigador.

La empresa asociada a este proyecto es Innvel, especializada en proporcionar servicios de I+D+i, principalmente en dos áreas: el modelado inteligente y los aspectos medioambientales. Como empresa con ADN y origen universitario, confía en los desarrollos de los grupos de investigación y plantea el proyecto dentro de sus objetivos estratégicos de diversificación de cartera de clientes. «Su conocimiento del mercado y de las tecnologías empleadas convierte a Innvel en el socio ideal, ya que entiende las necesidades del mercado y las capacidades de las técnicas utilizadas. Este proyecto representa un paso más en la relación de confianza y la intensa colaboración entre el grupo y la empresa», destaca Francisco Ortega.

Y es aquí donde hay que destacar que las nuevas tecnologías traen nuevas opciones: el machine learning. El proyecto PREOLION utiliza estas técnicas avanzadas para prever el deterioro y optimizar el mantenimiento. Esto no solo prolonga la vida útil de las turbinas, sino que también asegura que la energía eólica sea verdaderamente sostenible.

Al aprender de cada instalación, se puede hacer que el viento sople siempre a favor de un futuro más verde y eficiente.

Para un futuro sostenible, es preciso algo más que considerar el viento. Necesitamos inteligencia y tecnología que permita aprovechar el máximo de los recursos con el menor impacto. PREOLION es una aportación hacia la consecución de la verdadera sostenibilidad.

El desgaste en la energía eólica

Los molinos eólicos están situados en entornos hostiles: zonas cercanas al mar, muy expuestas. Es por ello que sus elementos se ven sometidos a una gran presión y a medida que las turbinas eólicas envejecen, su rendimiento tiende a disminuir, especialmente por el desgaste mecánico, la fatiga del material y la acumulación de suciedad en las palas de las turbinas, lo que reduce su eficiencia aerodinámica. 

Algunos estudios indican que la magnitud de estas pérdidas pueden ocasionar pérdidas que varían entre el 11% y 30% del LCOE (Levelized Cost of Energy) en los parques terrestres, y entre el 20 y 25% en parques marítimos. De todas formas, el efecto es muy dependiente de cada caso.

Las condiciones ambientales y geográficas pueden exacerbar el desgaste. Sin embargo, resulta complicado representar de manera precisa la influencia de estas variables ambientales. Aquí es donde las técnicas de machine learning pueden ofrecer una ventaja significativa.

Aprovechando los datos existentes: machine learning para optimizar el rendimiento

Con miles de instalaciones eólicas en funcionamiento en todo el mundo, se dispone de una vasta cantidad de datos operativos y meteorológicos que pueden ser utilizados para mejorar la comprensión del rendimiento y la durabilidad de las turbinas. 

Aplicando estas técnicas de machine learning se produjeron modelos que pueden prever el comportamiento de una futura planta eólica basándose en sus características específicas y en las condiciones ambientales. Este enfoque permite diseñar las instalaciones desde su fase inicial para mitigar los efectos negativos del entorno, estableciendo protocolos de mantenimiento específicos y calculando la huella de carbono de la energía generada con mayor precisión.

Optimización continua y sostenibilidad real

El modelo de machine learning no solo mejora con el tiempo a medida que se recopilan más datos, sino que también permite una optimización continua del rendimiento de las turbinas. Al aprender de las experiencias pasadas y de las operaciones actuales, las futuras instalaciones pueden ser diseñadas y gestionadas de manera más eficiente y sostenible.

Utilizando técnicas avanzadas de machine learning y análisis de datos es posible asegurar que la energía generada sea verdaderamente sostenible.El objetivo final y principal de aplicar todas estas tecnologías no es otro que maximizar la efectividad de la energía eólica y minimizar su impacto ambiental directamente relacionado con el desgaste y la degradación de las turbinas. 

Tecnología innovadora, pero también equipo humano

En el proyecto ha participado personal de Innvel y de los grupos de investigación de Ingeniería de Proyectos e Ingeniería Sostenible en actividades muy variadas, desde el diseño de un equipo físico para simular el efecto de la abrasión, hasta la modelización con Deep Learning de los datos de operación. Además, se han contratado dos investigadores y es la base de una tesis doctoral. «La participación de un equipo multidisciplinar permite afrontar el proyecto de una forma global, aumenta la discusión y produce una solución mucho más robusta y aplicable», concluye Ortega.