Institutional Repository [SANDBOX]
Technical University of Crete
EN  |  EL

Search

Browse

My Space

Structural health monitoring of a wind turbine wing using neural networks

Paterakis Emmanouil

Simple record

URIhttp://purl.tuc.gr/dl/dias/F3FB7969-74D0-467D-92BA-E95DFA0298E2-
Identifierhttps://doi.org/10.26233/heallink.tuc.82631-
Languageen-
Extent34 pagesen
TitleStructural health monitoring of a wind turbine wing using neural networksen
TitleΠαρακολούθηση δομηκής ακεραιότητας σε πτέρυγα ανεμογεννήτριας με χρήση νευρωνικών δικτύωνel
CreatorPaterakis Emmanouilen
CreatorΠατερακης Εμμανουηλel
Contributor [Thesis Supervisor]Stavroulakis Georgiosen
Contributor [Thesis Supervisor]Σταυρουλακης Γεωργιοςel
Contributor [Committee Member]Stavroulaki Mariaen
Contributor [Committee Member]Σταυρουλακη Μαριαel
Contributor [Committee Member]Bakatsaki Mariaen
Contributor [Committee Member]Μπακατσακη Μαριαel
PublisherTechnical University of Creteen
PublisherΠολυτεχνείο Κρήτηςel
Academic UnitTechnical University of Crete::School of Production Engineering and Managementen
Academic UnitΠολυτεχνείο Κρήτης::Σχολή Μηχανικών Παραγωγής και Διοίκησηςel
DescriptionΠροτυχιακή εργασία που κατατέθηκε στην σχολή Μηχανικών Παραγωγής και Διοίκησης για την πλήρωση των υποχρώσεων για την απόκτηση διπλώματος Μηχανικού Παραγωγής και Διοίκησηςel
Content SummaryDue to the stochastic nature of environmental loadings, a lot of interest is paid in the discovery of possible damages of the involved equipment in modern industry. In wind turbine's blades, where access is difficult and expensive, the development of a smart structural health monitoring system is essential. In the present paper, a large-scale composite wind turbine blade model is designed and used for the detection of several damage scenarios. The process which is presented here is mainly based on the development of monitoring techniques which exploit the capabilities of artificial neural networks. These techniques can provide the exact position of possible damages, under given external loading scenarios. Moreover, the use of such methods decreases significantly the need of external intervention and at the same time it increases the accuracy of the whole approach. The above processes are simulated using the finite element method.en
Content SummaryΛόγω του στοχαστικού χαρακτήρα των περιβαλλοντικών φορτίων, καταβάλλεται μεγάλη κάλυψη πιθανών ζημιών του εμπλεκόμενου εξοπλισμού στη σύγχρονη βιομηχανία. Στο φτερό της ανεμογεννήτριας, όπου η πρόσβαση είναι δύσκολη και δαπανηρή, η ανάπτυξη ενός έξυπνου συστήματος παρακολούθησης δομικής ακεραιότητας είναι απαραίτητη. Στην παρούσα εργασία, ένα σύνθετο μοντέλο φτερού ανεμογεννήτριας μεγάλης κλίμακας έχει σχεδιαστεί και χρησιμοποιηθεί για την ανίχνευση αρκετών σεναρίων ζημιών. Η διαδικασία που παρουσιάζεται εδώ βασίζεται κυρίως στην ανάπτυξη τεχνικών παρακολούθησης εκμεταλλευόμενη τις δυνατότητες των τεχνητών νευρωνικών δικτύων. Αυτές οι τεχνικές μπορούν να παράσχουν την ακριβής θέση πιθανών ζημιών, υπό δεδομένα σενάρια εξωτερικής φόρτωσης. Επιπλέον, η χρήση των μεθόδων αυτών μειώνουν σημαντικά την ανάγκη εξωτερικής παρέμβασης και ταυτόχρονα αυξάνουν την ακρίβεια ολόκληρης της προσέγγισης. Οι παραπάνω διαδικασίες προσομοιώνονται χρησιμοποιώντας την μέθοδος των πεπερασμένων στοιχείων.el
Type of ItemΔιπλωματική Εργασίαel
Type of ItemDiploma Worken
Licensehttp://creativecommons.org/licenses/by/4.0/en
Date of Item2019-07-10-
Date of Publication2019-
SubjectStructural health monitoringen
SubjectΔομική ακεραιότητα κατασκευώνel
Bibliographic CitationEmmanouil Paterakis, "Structural health monitoring of a wind turbine wing using neural networks", Diploma Work, School of Production Engineering and Management, Technical University of Crete, Chania, Greece, 2019en
Bibliographic CitationΕμμανουήλ Πατεράκης, "Παρακολούθηση δομηκής ακεραιότητας σε πτέρυγα ανεμογεννήτριας με χρήση νευρωνικών δικτύων", Διπλωματική Εργασία, Σχολή Μηχανικών Παραγωγής και Διοίκησης, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2019el

Available Files

Services

Statistics

 

Copyright © DIAS 2013