Integração de CFD, Análise Dimensional e Estatística na Optimização de Turbinas Hidrocinéticas

• Gustavo José Marturet Pérez https://orcid.org/0000-0002-4578-8810
• Gustavo Elías Marturet García https://orcid.org/0000-0001-6506-2091

DOI: https://doi.org/10.22209/rt.v48a05

Palavras-chave: Dinâmica de fluidos computacional, inteligência artificial, técnicas estatísticas, teorema π de Buckingham, turbina de Gorlov

Resumo

Este artigo explora a otimização das turbinas hidrocinéticas, dispositivos-chave para a geração
sustentável de energia em áreas isoladas, como evidenciado pelos projetos na Escócia e em França. Para
superar os elevados custos de experimentação, a investigação centra-se na Dinâmica de Fluidos
Computacional (CFD) e nas metodologias de análise numérica. O principal objetivo é analisar a integração do
CFD, do Teorema π de Buckingham e da Estatística na otimização destas turbinas. O artigo faz uma revisão
da literatura existente, estabelecendo um enquadramento teórico para futuras pesquisas. É realçado o papel do
CFD na análise de escoamento e na determinação de parâmetros críticos, bem como a forma como o Teorema
π de Buckingham simplifica as equações de fluidos e facilita o escalonamento. A estatística, por outro lado, é
fundamental para o design, otimização, avaliação de desempenho e desenvolvimento de modelos preditivos.

Referências

Al Noman, A., Tasneem, Z., Sahed, M. F., Muyeen, S. M., Das, S. K., & Alam, F. (2022). Towards next generation Savonius wind turbine: Artificial intelligence in blade design trends and framework. Renewable and Sustainable Energy Reviews, 168, 112531.

Amran Abolholl, H. A., Teschner, T. R., & Moulitsas, I. (2024). A hybrid computer vision and machine learning approach for robust vortex core detection in fluid mechanics applications. Journal of Computing and Information Science in Engineering, 24(6).

Esfahanian, V., Izadi, M. J., Bashi, H., Ansari, M., Tavakoli, A., & Kordi, M. (2024). Aerodynamic shape optimization of gas turbines: a deep learning surrogate model approach. Structural and Multidisciplinary Optimization, 67(1), 2.

Etemadeasl, V., Esmaelnajad, R., Gharlai, K., & Riasi, A. (2024). Application of Entropy Production Theory for Evaluating the Performance of a Gorlov Hydrokinetic Turbine. Iranian Journal of Science and Technology, Transactions of Mechanical Engineering, 1-20.

Jayaram, V., & Bavanish, B. (2021). A brief review on the Gorlov helical turbine and its possible impact on power generation in India. Materials Today: Proceedings, 37, 3343-3351.

Jia, W., & Xu, H. (2024). Optimal parallelization strategies for active flow control in deep reinforcement learning-based computational fluid dynamics. Physics of Fluids, 36(4).

Kim, I., Jeon, Y., Chae, J., & You, D. (2024). Deep reinforcement learning for fluid mechanics: Control, optimization, and automation. Fluids, 9(9), 216.

Li, G., Wu, G., Tan, L., & Fan, H. (2023). A Review: Design and Optimization Approaches of the Darrieus Water Turbine. Sustainability, 15(14), 11308.

Marturet, G. (2019). Modelación fluidodinámica de turbinas Gorlov para la mejora de su rendimiento. Tesis doctoral. Puerto Ordaz: UNEXPO.
https://www.researchgate.net/publication/345356850_Modelacion_fluidodinamica_de_turbinas_Gorlov_para_la_mejora_de_su_rendimiento

Marturet Pérez, G. J., Marturet García, G. E., & Torres Monzón, C. F. (2022). Análisis CFD en Régimen Transitorio para la Determinación de Cavitación en Turbinas Helicoidales Gorlov. Revista Técnica de la Facultad de Ingeniería de la Universidad del Zulia, 45(2).

Marturet Pérez, G. J., Marturet García, G. E., Guerra Silva, R. A., Josefina Torres, M., & Torres Monzón, C. F. (2023). Análisis CFD sobre la Influencia del Ángulo de Ataque en el Coeficiente de Potencia de Turbinas Helicoidales Gorlov. Revista Técnica de la Facultad de Ingeniería de la Universidad del Zulia, 46.

Olausson, R. (2024). Wall modeled computational fluid dynamics using machine learning. Using CFD coupled machine learning to create wall models for increased LES knowledge for future industrial use. https://odr.chalmers.se/items/89db12c8-7349-4ab2-b8fe-d633ae3d12bc

Saini, G., & Saini, R. P. (2019). A review on technology, configurations, and performance of cross‐flow hydrokinetic turbines. International Journal of Energy Research, 43(13), 6639-6679.

Surulere, S. A., Shatalov, M. Y., & Olayiwola, F. E. (2024). Extensive Study of Modern Approaches Used in Identifying the Buckingham Potential. International Journal of Applied and Computational Mathematics, 10(1), 22.