مطالعه‌ی تجربی آکوستیک توربین‌های بادی محور افقی کوچک با تکیه بر رویکردهای دینامیک سیالات محاسباتی و شبکه عصبی

عملکرد آیرودینامیکی و انتشار نویز صوتی دو موضوع چالش برانگیز در طراحی مدرن توربین بادی هستند. همچنین، تحلیل آن شامل هزینه محاسباتی بسیار بالایی است. این مقاله یک رویکرد جدید برای رفع این مشکل با تکیه بر ترکیب روش‌های شبکه عصبی، الگوریتم ژنتیک چند‌هدفه و دینامیک سیالات محاسباتی ارائه می‌کند. در وهله‌ی اول، بهینه‌سازی آیرودینامیکی و آیروآکوستیکی یک ایرفویل از سری خانواده‌ی s با استفاده از هوش مصنوعی و دینامیک سیالات محاسباتی انجام شده است. مقایسه بین نتایج دینامیک سیالات محاسباتی و پیش‌بینی‌شده ‌ توسط شبکه عصبی، دقت پیش‌بینی شبکه عصبی را تایید کرده است. همچنین، این روش می‌تواند زمان بهینه‌سازی کلی را تا حدود 20/1 با استفاده از همان سخت‌افزار کاهش دهد. در بهینه‌سازی چند‌ هدفه هر دو شکل ایرفویل و دندانه‌ها، 5 تا 7 درصد بهبود عملکرد آیرودینامیکی و به‌طور همزمان 1 تا 4 درصد کاهش نویز در مقایسه با ایرفویل معیار نشان داده شده است. در گام دوم، مطالعه‌ی تجربی به‌منظور پیاده‌سازی هندسه‌های مستخرج بهینه‌شده در گام نخست بر روی توربین‌های بادی کوچک صورت گرفته است. یافته‌ها نشان می‌دهد که در مقایسه با نمونه اصلی، سطح نویز در حوزه فرکانس کاهش یافته و منتج به کاهش حدود 10 دسی‌بلی (حدود 17 درصد) در سطح فشار صدای کلی شده است.

experimental acoustic study of small horizontal axis wind turbines based on computational fluid dynamics and artificial intelligence approaches

in modern wind turbine design, two significant challenges arise: achieving optimal aerodynamic performance while minimizing acoustic noise emissions. however, the extensive numerical computations required for accurate evaluation often hinder the implementation of multi objective optimization strategies. this paper introduces an innovative approach to address this issue, leveraging a combination of neural network based reduced order modeling and a multi objective genetic algorithm. this methodology aims to optimize the aerodynamic and aero acoustic characteristics of an s8xx series airfoil, including the trailing edge serration geometry. utilizing class shape transformation to parameterize various serrated airfoil geometries, the method minimizes the need for costly computational fluid dynamics (cfd) simulations. instead, a feed forward neural network (nn) is trained with a minimal dataset to predict airfoil behavior within a specified range. comparisons between cfd results and nn predictions validate the accuracy of the neural network. significantly, this approach substantially reduces optimization time by approximately 95%, maintaining high levels of accuracy. in conducting multi objective optimization for both the airfoil and serration shapes, the study demonstrates notable improvements: a 5 to 7% enhancement in aerodynamic performance alongside a simultaneous 1 4% reduction in noise compared to benchmark airfoils. then, in the second step, experimental methodology is employed to investigate the aeroacoustic attributes of a small horizontal axis wind turbine with optimized blades. conducted within a semi anechoic chamber, this investigation meticulously positions both original and optimized geometry models to measure sound pressure levels (spl) across various rotational speeds and positions. the results reveal subtle enhancements in aerodynamic performance with the optimized serrated blade configuration, accompanied by a remarkable reduction in noise levels across the frequency spectrum, culminating in an impressive overall sound pressure reduction of approximately 10 db. additionally, intriguing observations highlight the impact of turbine rotational speed on noise production, particularly in the downstream domain. notably, the noise emission reduction for the serrated optimized blade is more dispersed in the plane of rotation compared to the original blade, which exhibited nearly uniform noise distribution. overall, these findings offer valuable insights into the intricate interplay between aerodynamics and aeroacoustics in the context of small wind turbines with optimized blades.