Engineering models and data science for wind energy
| dc.contributor.advisor | Paschereit, Christian Oliver | |
| dc.contributor.advisor | Pechlivanoglou, Georgios | |
| dc.contributor.author | Lennie, Matthew Dale | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Paschereit, Christian Oliver | |
| dc.contributor.referee | Martinuzzi, Robert | |
| dc.contributor.referee | Bianchini, Alessandro | |
| dc.contributor.referee | Pechlivanoglou, Georgios | |
| dc.date.accepted | 2019-09-16 | |
| dc.date.accessioned | 2020-10-19T13:43:24Z | |
| dc.date.available | 2020-10-19T13:43:24Z | |
| dc.date.issued | 2020 | |
| dc.description.abstract | The development of wind turbines relies on solid numerical models. From the tips of the blades through to the design of wind parks, numerical models are crucial. Engineering models have been the solid back bone of wind turbine engineering. However, useful as these models are, they do face limitations. This study explored how a combination of engineering models and more recent data science/machine-learning-type models could help solve the increasingly complex problems associated with wind energy. This dissertation relies on three papers as examples of these concepts. The first paper shows how an engineering model (blade element momentum method) can be replaced with a free vortex lifting line theory method for floating platform simulations. Furthermore, the instantaneous aerodynamic damping of a rotor in fore-aft motion was derived. The second paper explores, through experimental work, the highly complex aerodynamics of wind turbines in standstill conditions. To address these complex aerodynamics, the third paper engages machine learning methods to highlight the cycle-to-cycle differences in dynamic stall. These three papers demonstrate where engineering models, medium-fidelity simulations and machine learning can be useful. This work makes recommendations for seven strategies to integrate the newest family of models - the machine learning models - into the wind energy system. | en |
| dc.description.abstract | Die Entwicklung von Windkraftanlagen basiert auf zuverlässigen numerischen Modellen. Von der Spitze der Blätter bis zur Gestaltung von Windparks ist die Verwendung von numerische Modelle unersetzlich. So nützlich diese Modelle auch sind, sie haben ihre Grenzen. Die vorliegende Arbeit untersucht, wie eineKombination aus vereinfachten Modellen und moderneren Modellen der Datenwissenschaft sowie des maschinellen Lernens dazu beitragen kann, die immer komplexeren Probleme der Windenergie zu lösen. Diese Arbeit basiert auf drei Papieren als Beispiele für dieses Konzept. Das erste Papier zeigt, wie die Blade Element Momentum Methode durch eine Free Vortex Lifting Line Theory Methode für schwimmende Plattformsimulationen ersetzt werden kann. Daraus wird die momentane aerodynamische Dämpfung eines Rotors in der Längsbewegung abgeleitet. Das zweite Papier untersucht, durch experimentelle Arbeiten, die hochkomplexe Aerodynamik von Windkraftanlagen im Stillstand. Um diese komplexe Aerodynamik zu verstehen, beschäftigt sich das dritte Papier mit maschinellen Lernmethoden um die Unterschiede zwischen den Zyklen im dynamischen Strömungsabriss aufzuzeigen. Alle drei Papiere zeigen, wo Ingenieurmodelle, Simulationen mittlerer Genauigkeit und maschinelles Lernen nützlich sein können. Abschließend gibt diese Arbeit Empfehlungen für sieben Strategien zur Integration der neuesten Modellfamilie - den Modellen des maschinellen Lernens - in die Windenergie. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/11474 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-10356 | |
| dc.language.iso | en | en |
| dc.relation.haspart | 10.14279/depositonce-6616 | en |
| dc.relation.haspart | 10.14279/depositonce-10958 | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | de |
| dc.subject.other | machine learning | en |
| dc.subject.other | unsteady aerodynamics | en |
| dc.subject.other | offshore wind energy | en |
| dc.subject.other | neural network | en |
| dc.subject.other | dynamic stall | en |
| dc.subject.other | instabile Aerodynamik | de |
| dc.subject.other | Offshore-Windenergie | de |
| dc.subject.other | neuronales Netz | de |
| dc.title | Engineering models and data science for wind energy | en |
| dc.title.translated | Numerische Modelle und Data Science für Windenergie | en |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | domain | en |
| tub.affiliation | Fak. 5 Verkehrs- und Maschinensysteme::Inst. Strömungsmechanik und Technische Akustik (ISTA)::FG Experimentelle Strömungsmechanik | de |
| tub.affiliation.faculty | Fak. 5 Verkehrs- und Maschinensysteme | de |
| tub.affiliation.group | FG Experimentelle Strömungsmechanik | de |
| tub.affiliation.institute | Inst. Strömungsmechanik und Technische Akustik (ISTA) | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |