CID099 | RevistaCID

Redes Neuronales para la Estimación del Periodo Fundamental de Aerogeneradores de Eje Horizontal

Neural Networks for the Estimation of the Fundamental Period of Horizontal-Axis Wind Turbines

    Inzunza   Aragón Indira
   Universidad Autónoma de Coahuila
   iinzunza@uadec.edu.mx
   https://orcid.org/0000-0002-1200-0548
   Amaya Gallardo Edmundo
   Universidad Autónoma de Coahuila
   eamaya@uadec.edu.mx
   https://orcid.org/0000-0002-2985-0952
   Valdez Cano Ricardo
   Universidad Autónoma de Coahuila
   ricardovaldezcano@uadec.edu.mx
   https://orcid.org/0000-0001-7079-7754
   Valenzuela Beltrán Federico
   Universidad Autónoma de Sinaloa
   fvalenzuelab@uas.edu.mx
   https://orcid.org/0000-0002-2528-9475
   Martínez Montenegro Hugo Santiago
   Universidad Autónoma de Coahuila
   martinezhugo@uadec.edu.mx
   https://orcid.org/0009-0006-2203-1117

Volumen:

1 Edición:

12 Resumen

El periodo fundamental de vibración de los aerogeneradores de eje horizontal es un parámetro esencial para el diseño y el desempeño de sus componentes principales, como el rotor, la góndola y los sistemas electromecánicos responsables de transformar la energía del viento en electricidad. Este parámetro se determina comúnmente mediante análisis dinámicos modales o a partir de expresiones cerradas aproximadas; sin embargo, cuando se requiere evaluar múltiples configuraciones, como en la etapa de prediseño o al realizar estudios paramétricos, el uso reiterado de estos métodos puede volverse poco práctico. En este trabajo se propone la aplicación de Redes Neuronales Artificiales (RNA) como una alternativa para estimar el periodo fundamental de aerogeneradores de eje horizontal a partir de la masa en la punta y las características geométricas de la torre de soporte. Se implementaron RNA multicapa, de entrenamiento hacia adelante y aprendizaje supervisado, empleando como base de datos modelos con rotores de 70 a 120 m de diámetro, torres de soporte con alturas entre 70 y 100 m y diámetros entre 3 y 6 m. Se observó que, al comparar las predicciones de las redes con los resultados obtenidos mediante ecuaciones cerradas y superficies de respuesta, las RNA se correlacionan mejor con los resultados de referencia en el intervalo paramétrico analizado. Estos resultados muestran que el uso supervisado de la inteligencia artificial, aplicada al campo de la ingeniería estructural, constituye una herramienta poderosa y confiable, capaz de complementar métodos tradicionales y de abrir posibilidades para el diseño y la optimización de aerogeneradores modernos.

Palabras clave

Aerogeneradores, Periodo estructural, Redes Neuronales Artificiales, Superficies de respuesta

Referencias Bibliográficas

Al-Gburi, M., Alhayani, A. A., & Almssad, A. (2025). Artificial Neural Network Model for Evaluating Load Capacity of RC Deep Beams. Buildings, 15(8), 1371. https://doi.org/10.3390/buildings15081371
Asociación Mexicana de Energía Eólica (2025). Informe anual 2025. Recuperado de: https://amdee.org/es_es/project/informe-anualamdee-2025/
Asociación Mexicana de Energía Eólica (s.f.). Estudio de capacidades de la industria eólica en México. Recuperado de: https://amdee.org/wp-content/uploads/Estudio-de-Capacidades-dela-Industria-Eolica-en-Mexico.pdf
Bojórquez, J., Ruiz, S. E., Ellingwood, B., Reyes-Salazar, A., y Bojórquez, E. (2017). Reliability-based optimal load factors for seismic design of buildings. Engineering Structures, 151, 527–539. https://doi.org/10.1016/j.engstruct.2017.08.046
De Anda, J., Ruiz, S. E., Bojorquez, E. & Inzunza-Aragón, I. (2023). Towards optimal reliability-based design of wind turbine towers using artificial intelligence. Engineering Structures, 294, 116778. https://doi.org/10.1016/j.engstruct.2023.116778
Demuth, H. & Beale. M. (2000). Neural network toolbox User’s Guide. The MathWorks, Inc.
Det Norske Veritas & Riso National Laboratory. (2002). Guidelines for design of wind turbines. Denmark.
Elgohary, H.A. (2025) A comprehensive review and ANN analysis of empirical formulae for determining the fundamental period of MultiStory RC moment resisting frames. Journal of Umm Al-Qura University for Engineering and Architecture, 16, 1519–1526. https://doi.org/10.1007/s43995-025-00192-3
Elkodama, A., Ismaiel, A., Abdellatif, A., Shaaban, S., Yoshida, S. & Rushdi, M.A. (2023) Control Methods for Horizontal Axis Wind Turbines (HAWT): State-of-the-Art Review. Energies, 16, 6394. https://doi.org/10.3390/en16176394
Hakim, S. J. S., Irwan, J. M., Ibrahim, M.H.W., & Ayop, S. S. (2022). Structural damage identification employing hybrid intelligence using artificial neural networks and vibration-based methods. Journal of applied research and technology, 20(2), 221-236. Epub 27 de enero de 2023. https://doi.org/10.22201/icat.24486736e.2022.20.2.1233
International Electrotechnical Commission. (2019). Wind energy generation systems – Part 1: Design requirements IEC 61400- 1:2019. IEC Webstore
Inzunza-Aragón, I.; Ruiz, S.E. & Cruz-Reyes, L. (2022). Use of Artificial Neural Networks and Response Surface Methodology for Evaluating the Reliability Index of Steel Wind Towers. Advances in Civil Engineering, 2022, 4219524. https://doi.org/10.1155/2022/4219524
Jiang, Z., Li, H., Yang, H., Wu, H., Liu,W., Chen, Z. (2025). Review of Artificial Intelligence-Based Design Optimization of Wind Power Systems. Wind, 5, 18. https://doi.org/10.3390/wind5030018
Jonkman, J., Butterfield, S., Musial, W. & Scott. G. (2009). Definition of a 5-MW Reference Wind Turbine for Offshore System Development (Technical report NREL/TP-500-38060). National Renewable Energy Laboratory.
Kelele, H.K.; Kahsay, M.B. & Nielsen, T.K. (2023). Dynamic Response Analysis of Wind Turbine Structure to Turbulent Wind Load: Comparative Assessment in time and Frequency Domains. Applied Mechanics, 4, 841-855. https://doi.org/10.3390/applmech4030043
Lagaros, N.D. (2023). Artificial Neural Networks Applied in Civil Engineering. Applied Sciences, 13, 1131. https://doi.org/10.3390/app13021131
MathWorks (2019). MATLAB (Versión R2019b) [Software de computadora]. The MathWorks, Inc. https://www.mathworks.com
Nordex SE. (2012). N90/2500, N100/2500, N117/2400: Technical brochure. Hamburg, Germany: Nordex SE.
Jonkman, J., Butterfield, S., Musial, W. & Scott G. (2009). Technical report: Definition of a 5-MW reference wind turbine for offshore system development NREL/TP-500-38060. National Renewable Energy Laboratory.
Saram, M. U., & Yang, J. (2025). A review of aeroelastic instabilities and resonance effects in wind turbine blade dynamics. Wind Engineering. https://doi.org/10.1177/0309524x251405726
Secretaría de Energía (2024). Reporte de avance de energías limpias. Recuperado de: https://www.gob.mx/cms/uploads/attachment/file/927403/RAEL.pdf
Soyoz, S., Hanbay, S. & Bagirgan, B. (2024). Structural monitoring, FEM updating and performance assessment of a wind turbine. Procedia Structural Integrity, 64, 484-491. https://doi.org/10.1016/j.prostr.2024.09.289.
Vazirizade, S. M., Nozhati, S., & Zadeh, M. A. (2017). Seismic reliability assessment of structures using artificial neural network. Journal of Building Engineering, 11, 230-235. https://doi.org/ 10.1016/j.jobe.2017.04.001
Witten, I.H., Frank, E., Hall, M.A. & Pal, C.J. (2016). Data mining: Practical Machine Learning Tools and Techniques. USA.