Resumen de Implementation of ANN-based models to assist in the analysis and design of jacket foundations structures for offshore wind turbines
El objetivo de esta Tesis Doctoral consiste en explorar la implementación de modelos basados en redes neuronales artificiales (RNA) para asistir en el análisis y diseño de estructuras jacket como soporte de aerogeneradores marinos, teniendo en cuenta los fenómenos de interacción suelo-estructura. Para alcanzar dicho objetivo, se establecen dos objetivos parciales.¬ En primer lugar, el desarrollo de un modelo estructural que permita el análisis de la respuesta del aerogenerador marino, incorporando los efectos de interacción suelo-estructura. En él se evalúan las cargas que actúan sobre la estructura, se obtiene la respuesta estructural y se verifican los principales requerimientos impuestos por normas internacionales.
En segundo lugar, explorar la utilidad de implementar modelos basados en RNAs para asistir en el proceso de diseño de estructuras de soporte jacket para aerogeneradores marinos. Estos modelos deben ser capaces de reemplazar el modelo estructural, mejorando el proceso de diseño gracias al menor coste computacional de los modelos subrogados.
Tras desarrollar el modelo estructural, se incorpora dentro de un proceso de optimización predefinido para obtener diseños de jacket para un caso de estudio. Sobre los diseños obtenidos, se analiza la influencia de la interacción suelo-estructura, mostrando la importancia de tenerla en cuenta en el modelo de cálculo.
Para reducir el coste computacional del modelo estructural, se entrenan modelos subrogados basados en RNAs de clasificación y de regresión, que predicen si una estructura de soporte jacket es estructuralmente viable a partir de las características del aerogenerador, del emplazamiento y de la propia subestructura. Para su entrenamiento se emplea un dataset sintético generado a partir de la evaluación de la viabilidad obtenida mediante el modelo estructural. Se observa una gran capacidad predictiva por ambas tipologías de RNAs, destacando la correlación entre la predicción del modelo de regresión y el factor de utilización de las muestras de prueba.
Se implementa un proceso de optimización asistido por el modelo subrogado basado en el descenso del gradiente, donde la viabilidad de la estructura se evalúa con el modelo subrogado. Gracias a un proceso iterativo en el que se reentrenan las RNAs a partir de las soluciones obtenidas y evaluadas con el modelo estructural, se consiguen resultados más eficientes con un menor coste computacional.
