فایل ورد کامل متا مدل ها برای برآورد آسیب خستگی زیر ساخت های جکت توربین های بادی فراساحلی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل متا مدل ها برای برآورد آسیب خستگی زیر ساخت های جکت توربین های بادی فراساحلی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۱۲ صفحه

چکیده

یکی از اصلی‌ترین بخش‌های ساختاری توربین‌های بادی فراساحلی زیرساخت آن‌ها است که شکاف بین بستر دریا و پایه‌ی برج را پر می‌کند. یک مفهوم ممکن مورداستفاده در اعماق آبی نزدیک برای توربین‌های دارای توان نرخ بالا، جکت است. این ساختار توسط چندین اثر محیطی از قبیل باد و فشار امواج یا بارهای گریز از مرکز ناشی از حرکت گردشی برانگیخته می‌شود. به‌منظور رسیدن به هزینه‌های رقابتی انرژی ضروری است که هزینه‌های سرمایه‌ای طول عمر را با استفاده از طراحی استوار و مبتنی بر قابلیت اطمینان، به حداقل برسانیم. با این‌حال، یک رویکرد بهینه‌سازی مبتنی بر شبیه‌سازی بر روی مدل مقیاس کامل نیازمند ظرفیت عددی بالایی است. در این مطالعه، مسئله‌ی ارزیابی طول عمر فرسودگی دارای هزینه‌ی عددی با استفاده از یک رویکرد فرا مدل مورد بررسی قرار می‌گیرد. عملکرد دو راه‌حل فرا مدل، یعنی Kriging و مدل پیش‌بین دامنه (Interval Predictor Model) باهم مقایسه می‌شود. علی‌الخصوص، رفتار متفاوت دامنه‌های اطمینان احتمالاتی رگرسیون Kriging و مرزهای دامنه‌ی IPM موردبحث قرار می‌گیرد.

– نتیجه‌گیری‌ها و مطالعات آتی این مطالعه نشان‌دهنده‌ی قابلیت عملی پیش‌بینی فرامدل با مرزهای عدم قطعیت برای تخمین آسیب فرسودگی بود. دو راه‌حل فرا مدل رقیب مورد آزمون قرار گرفتند. نتایج نشان داد که هر دو فرامدل می‌توانند به‌درستی رفتار میانگین آسیب فرسودگی بیشینه‌ی جکت‌ها را با استفاده از تنها چهار مورد از هفت پارامتر ورودی در دسترس پیش‌بینی نمایند. بااین‌حال، هنگامی‌که مرزهای پیش‌بینی در تحلیل در نظر گرفته می‌شوند، مدل Kriging ممکن است منجر به یک پیش‌بینی افراطی و بیش‌ازحد محافظه‌کارانه شود به شرطی که داده‌های آموزشی محدودی در دسترس باشند. این امر علی‌الخصوص زمانی رخ می‌دهد که این رویکرد تا حد یک بهینه‌سازی طراحی کامل تعمیم می‌یابد چرا که به دلیل محدودیت‌های محاسباتی، تعداد بسیار اندکی حالت بار برای هر طراحی آزمون محاسبه خواهند شد.

عنوان انگلیسی:Meta-models for fatigue damage estimation of offshore wind turbines jacket substructures~~en~~

Abstract

One of the main structural components of offshore wind turbines is the substructure which bridges the gap between seabed and tower foot. One possible concept employed in intermediate water depths for turbines with high-rated power is the jacket. This structure is excited by several environmental impacts like wind and wave loads or centrifugal loads from the rotor motion. In order to reach competitive costs of energy, it is crucial to minimize the lifetime capital expenses by means of robust and reliability-based design. However, a simulation-based optimization approach on the full scale model requires high numerical capacity. In this work, the problem of numerically expensive fatigue life evaluation is addressed by the utilization of a meta-model approach. The performance of two meta-models solutions, namely Kriging and Interval Predictor Model, is compared. In particular, the different behavior of the probabilistic confidence intervals of the Kriging regression and the interval bounds of the IPM is discussed.

Conclusions and further work

This work has shown the feasibility of a meta-model prediction with uncertainty bounds for fatigue damage estimation. Two competitive meta-model solutions were tested. The results show that both meta-models can accurately predict the mean behavior of the maximum fatigue damage of the jackets using only four out of the seven available input parameters. However, when the prediction bounds are included in the analysis, the Kriging model might lead to an excessive and over-conservative prediction, provided that limited training data is available. This will be especially the case when this approach is expanded to a complete design optimization, since very few load cases will be computed for each test design due to computational constraints.

$$en!!