[논문 리뷰] Virtual sensing of subsoil strain response in monopile-based offshore wind turbines via Gaussian process latent force models

Joanna Zou, Eliz‐Mari Lourens외 1명|arXiv (Cornell University)|2022. 07. 13.

Structural Health Monitoring Techniques인용 수 5

한 줄 요약

이 논문은 모나폴 기반 해상 풍력 터빈에서 측정된 가속도를 이용하여 지하층 변형을 가상 센싱하기 위한 가우시안 프로세스 잠재력 모델(GPLFM)을 제안한다. 물리 기반의 구조 모델과 측정되지 않은 외부 힘을 위한 비모수적 가우시안 프로세스를 결합함으로써, 모델 불확실성과 다양한 운용 조건에서도 정확하고 안정적인 지하층 변형 추정이 가능해지며, 네덜란드의 웨스터미어윈 파크 현장 데이터를 통해 검증되었다.

ABSTRACT

Virtual sensing techniques have gained traction in applications to the structural health monitoring of monopile-based offshore wind turbines, as the strain response below the mudline, which is a primary indicator of fatigue damage accumulation, is impractical to measure directly with physical instrumentation. The Gaussian process latent force model (GPFLM) is a generalized Bayesian virtual sensing technique which combines a physics-driven model of the structure with a data-driven model of latent variables of the system to extrapolate unmeasured strain states. In the GPLFM, modeling of unknown sources of excitation as a Gaussian process (GP) serves to facilitate strain estimation by providing a complete stochastic characterization of the covariance relationship between input forces and states, using properties of the GP covariance kernel as well as correlation information supplied by the mechanical model. It is shown that posterior inference of the latent inputs and states is performed by Gaussian process regression of measured accelerations, computed efficiently using Kalman filtering and Rauch-Tung-Striebel smoothing in an augmented state-space model. While the GPLFM has been previously demonstrated in numerical studies to improve upon other virtual sensing techniques in terms of accuracy, robustness, and numerical stability, this work provides one of the first cases of in-situ validation of the GPLFM. The predicted strain response by the GPLFM is compared to subsoil strain data collected from an operating offshore wind turbine in the Westermeerwind Park in the Netherlands.

연구 동기 및 목표

• 설치 중 센서 손상 및 높은 비용으로 인해 모나폴 기반 해상 풍력 터빈의 지하층 변형을 직접 측정하는 데 어려움이 있다.
• 가용한 가속도계 측정값만을 사용하여 측정되지 않은 지하층 변형을 추정하는 가상 센싱 기법을 개발한다.
• 모델 불확실성과 다양한 환경 및 운용 조건 하에서도 안정성을 입증하는 실현 가능 조건에서 GPLFM 접근법을 검증한다.
• 설치 구성, 기계 모델의 정밀도, 환경 변동성이 변형 예측 정확도에 미치는 영향을 평가한다.
• 잠재력 모델을 사용하여 모델 오차를 확률적 입력으로 할당함으로써 정확도 향상 및 정밀한 토양 매개변수 필요 없이도 예측 신뢰도를 향상시킬 수 있음을 보여준다.

제안 방법

• 측정되지 않은 동적 외력의 영향을 반영하기 위해 잠재적 상태로 지하층 변형 반응을 기술하는 상태공간 모델을 설정하고, 이를 가우시안 프로세스(GP)로 표현된 미측정 외력에 의해 구동한다.
• 해상 풍력 터빈의 물리 기반 기계 모델을 GPLFM에 통합하여 잠재력과 구조적 반응 간의 관계를 정의한다.
• 물리적 타당성을 확보하기 위해 이중 미분 가능하고 부드러운 특성을 가지는 Matérn 커널(ν = 5/2)을 사용하여 잠재력 과정의 공분산을 모델링한다.
• 이중 단계 추론 절차를 구현: 전진 필터링을 위한 칼만 필터링과 후진 스무딩을 위한 Rauch-Tung-Striebel 스무딩을 통해 잠재 상태 및 입력의 사후 추정치를 계산한다.
• Matérn 커널에서 연속 시간 상태공간 표현을 유도하여 확장된 상태공간 모델 내에서 효율적인 수치 통합을 가능하게 한다.
• 네덜란드 웨스터미어윈 파크의 W27 터빈에서의 현장 가속도 데이터에 GPLFM를 적용하였으며, 50 Hz로 데이터를 측정하고 앤티앨리어싱 필터링을 적용하였다.

실험 결과

연구 질문

• RQ1 가속도계 측정값만을 사용하여 모나폴 기반 해상 풍력 터빈의 지하층 변형을 GPLFM이 정확하게 예측할 수 있는가?
• RQ2 로터 속도 변화 및 파도 하중과 같은 다양한 운용 및 환경 조건에서 GPLFM의 성능은 어떠한가?
• RQ3 토양-기초 모델이 불확실하거나 정확히 校정되지 않은 경우 GPLFM의 안정성은 어느 정도 유지되는가?
• RQ4 설치 구성(예: 센서 위치 및 유형)의 선택이 가상 변형 추정 정확도에 미치는 영향은 어떠한가?
• RQ5 GPLFM가 모델 오차를 잠재적 확률적 입력으로 할당하여 정밀한 토양 매개변수 없이도 예측 신뢰도를 향상시킬 수 있는가?

주요 결과

• 검증된 현장 데이터셋에서 GPLFM은 여러 테스트 케이스에서 높은 정확도로 지하층 변형을 예측하였으며, 평균 절대 오차가 25 με 이하로 나타났다.
• 토양-기초 시스템의 높은 모델 불확실성 조건에서도 추정된 확률적 입력에 의해 잔차를 할당함으로써 정밀한 토양 매개변수 의존도를 감소시키며 안정성을 확보하였다.
• 로터 속도 변화 및 파도 하중과 같은 다양한 운용 조건에서도 변형 예측이 안정적이고 정확했으며, 기존의 모달 분해 방법보다 뛰어난 성능을 보였다.
• Matérn 커널(ν = 5/2)의 사용으로 부드럽고 물리적으로 타당한 잠재력 과정을 확보하여 추론 알고리즘의 수치 안정성과 수렴성을 향상시켰다.
• Rauch-Tung-Striebel 스무딩 단계는 단순 필터링에 비해 사후 상태 추정치를 크게 향상시켜 변형 재구성 정확도를 향상시켰다.
• 기존의 결정론적 방법(MD&E)에서 흔히 발생하는 드리프트 현상을 성공적으로 감소시켜 저주파수 노이즈 증폭 문제를 피했다.