Estimation des chargements d'une éolienne par l'utilisation d'un réseau UNet-1D

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Estimation des chargements d’une éolienne par l’utilisation d’un réseau UNet-1D intégrant un mécanisme d’attention à partir de signaux multicanaux

L’électricité d’origine éolienne est en passe de devenir l’une des sources d’énergie la moins chère, notamment dans un contexte international récent d’explosion des coûts des énergies fossiles. Dans ce contexte, il est observé un développement rapide de l'éolien en mer où d’importantes ressources en vent peuvent être exploitées. L’opération et la maintenance de ces éoliennes situées parfois loin des côtes est un défi car elles sont de plus en plus grandes et sont soumises avec leur fondation à des conditions environnementales sévères.

La durée de vie de ces structures, initialement fixée entre 20 et 25 ans, est pilotée par l’accumulation de fatigue mécanique, c’est-à-dire la répétition de millions de cycles d’efforts provoqués par les chargements environnementaux (vent et houle) et la rotation des pales. Ces chargements mécaniques peuvent être mesurés par l’intermédiaire de capteurs (par exemple jauges de déformations) dont l’installation est couteuse, parfois impossible et la fiabilité faible. Ces capteurs sont ainsi généralement réservés aux prototypes ou bien à quelques structures parmi toutes celles que comportent une ferme d’éolienne. En revanche, les éoliennes sont toutes équipées d’un SCADA (Supervisory Control and Data Acquisition) donnant à 1s ou 10 min les informations telles que la puissance électrique, la vitesse de rotation des pales, le vent, etc. De plus, il est de plus en plus courant que les éoliennes soient équipées de capteurs mesurant leurs accélérations et inclinaisons en différents points (typiquement nacelle et tour) car ceux-ci sont moins chers et plus fiables.

Dans ces conditions, le développement de méthodes fiables de capteurs virtuels est un défi important pour l’industrie éolienne. On appelle capteur virtuel un processus permettant d’estimer une grandeur non mesurée en un point (ici un effort mécanique) à partir d’autres grandeurs (SCADA, accélérations) mesurées en d’autres points de la structure.

Il s’agit ici d’estimer régulièrement la fatigue (représentée classiquement par une variable scalaire appelée « Dynamic Equivalent Load » -DEL) en pied de pale ou sur la tour à partir de grandeurs mesurées à d’autres endroits de l’éolienne à des fréquences qui peuvent être hétérogènes.

Le lien peut être établi de deux manières différentes :

• Par l’intermédiaire de données synthétiques issues d’un modèle physique lorsqu’aucune mesure d’effort n’est disponible (approche basée modèle).
• Directement à partir des données lorsque celle-ci sont disponibles (par exemple sur un petit nombre d’éoliennes d’une ferme).

Objectifs

La question scientifique principale abordée dans ce travail de stage concerne la possibilité de construire une architecture de réseau de neurones convolutionnels de type U-Net1D pour estimer le chargement DEL à partir des signaux 1D collectés par les capteurs de l’éolienne. Il s’agit ici de tenter une approche « data driven » par réseau de neurones pour créer le lien les accélérations et le DEL.

Une approche similaire, mais partant uniquement d’architecture 1D-CNN, a déjà été envisagée en détection d’anomalie de moteurs électriques par des mesures vibratoire. On retrouve également cette approche dans la détection d’anomalies fonctionnelles des électrocardiogrammes (ECG) qui ont utilisés avec succès les réseaux U-NET1D. Il s’agira d’adapter ces architectures à la spécificité de nos données et de les utiliser dans une optique de régression (et non plus de détection d’anomalies). D’autre part, les signaux temporels fournissent des données capteurs en continu afin d’estimer à intervalles régulier le DEL. L’ajout d’un mécanisme d’attention à l’architecture doit fournir une plus-value dans l’estimation de la fatigue en permettant de se concentrer sur les seules parties du signal d’entrée qui contribuent à la fatigue.

Le point de vue original de ce stage consistera à adapter à des signaux 1D le mécanisme d’attention déjà bien utilisé en traitement d’image. Pour valider la pertinence de cette approche, l’étudiant aura à sa disposition une grande quantité de données synthétiques (issus de simulateurs physiques) mais également de données expérimentales collectées sur un champ d’éolienne instrumentées à des fins de recherche.

Le travail de l’étudiant peut se résumer ainsi :

1. Étude bibliographique sur l’utilisation des architectures multi-head U-Net1D
2. Implémentation, apprentissage et « fine tuning » de ces architectures sur données simulées et/ou expérimentales
3. Apport d’un mécanisme d’attention à cette architecture.

Financement

Institut DataIA, projet UNet1D2DEL (6 mois)