UPV/EHU 的 Vitoria-Gasteiz 工程学院的研究使用卷积神经网络来预测大功率风力涡轮机空气动力学剖面中的气流特性，并表明可以使用这些神经网络研究流量控制装置，可容忍的误差和减少四个数量级的计算时间。该研究已发表在《科学报告》上。

风能已成为发电的重要来源，旨在实现更清洁、更可持续的能源模式。然而，为了与传统能源竞争，风力涡轮机的性能需要提高。为此，在翼型上部署了流量控制装置，以提高风力涡轮机转子的空气动力效率。

“因此，使用相同的风力涡轮机，您可以生产更多兆瓦，每兆瓦时的成本会降低，例如，当转移到海上风力涡轮机(这是巨大的)时，意味着实施成本可以忽略不计，但空气动力学改进可能在 8% 或 10% 左右，”巴斯克地区 UPV/EHU 大学核工程和流体力学系讲师 Unai Fernández-Gámiz 解释说。

涉及计算流体动力学 (CFD) 的模拟是用于分析此类设备的最流行的方法：“该软件模拟流体的运动，这需要相当大的计算能力，即非常强大的计算机和大量的计算时间，”Fernández 解释说-加米兹。但近年来，随着人工智能的发展，利用神经网络进行流量特征预测的方法越来越流行;在这方面，UPV/EHU 学生 Koldo Portal-Porras 部署了一个卷积神经网络 (CNN)，该网络确定了一系列用于风力涡轮机流量控制的参数。

一种快速、灵活、廉价的工具

结果表明，提出的用于现场预测的CNN能够准确地预测流量控制装置周围的主要流动特性，显示出非常小的误差。至于空气动力学系数，所提出的 CNN 也能够可靠地预测它们，并且能够正确预测趋势和值。“与 CFD 模拟相比，CNN 的使用将计算时间减少了四个数量级，”研究人员 Portal-Porras 说。Fernández-Gámiz 补充说：“已经取得了快速、几乎立竿见影的结果，在某些情况下误差为 5-6%。对于一个主要寻求快速结果的行业来说，这是一个相当可容忍的错误。”

“首先，我们使用两种不同的流量控制设备(旋转微片和格尼襟翼)启动了 CFD 模拟，并提供了输出数据，我们将其视为真实数据并用于训练卷积神经网络，”Portal-Porras 解释说。“我们所做的是插入几何作为输入，并将通过 CFD 获得的结果作为输出。这样网络就被训练了，然后如果我们将一个不同的几何插入到它之前产生的结果中，它就能够预测新的速度和压力场。”

根据 Fernández-Gámiz 的说法，Portal-Porras 提出了“一种快速、灵活、廉价的工具。当今的工业需要快速的解决方案。要应用这种类型的网络，您实际上并不需要大型计算机、计算机集群等。什么是此外，我们还提出了一种灵活的工具，因为它可以应用于任何气动翼型、所有类型的设备系统甚至其他类型的几何形状。” Portal-Porras 指出该网络适用于任何类型的风力涡轮机，“但我们输入的训练数据是针对特定的气动翼型的。所以，如果你输入不同的气动翼型，你就必须完成整个训练过程，也就是说，插入另一台风机的输入和输出数据。”

两人都同意人工智能的重要性：“如果我们希望我们的工业环境具有竞争力，这是基本的一步。如果我们不涉足人工智能，我们就无法在国际市场上推动竞争力。”