Imputación iterativa de la diferencia de rodadura y el aprendizaje automático para el monitoreo de los cimientos de...

Área de la Ciencia:

• Ingeniería
• Ciencia de los datos
• Sistemas de energía renovable

Sus antecedentes:

• El monitoreo de la salud estructural (SHM) es crucial para las estructuras de ingeniería, especialmente en energías renovables.
• La adquisición de datos in situ se enfrenta a desafíos como la inestabilidad del equipo y la complejidad del entorno, lo que lleva a anomalías y lagunas en los datos.
• La evaluación precisa del rendimiento de estructuras como los parques eólicos se basa en gran medida en datos de monitoreo precisos y completos.

Objetivo del estudio:

• Para corregir anomalías y lagunas en los datos de seguimiento de los parques eólicos (deformación de los clavos de soldadura, fuerza axial del cable de anclaje, deformación del hormigón).
• Desarrollar y validar métodos sólidos para la detección de anomalías y la imputación de datos en entornos difíciles en el sitio.
• Mejorar la fiabilidad e integridad de los datos de seguimiento estructural para las evaluaciones de seguridad a largo plazo.

Principales métodos:

• Propuso un método iterativo de diferencia de rodadura-Z-score para la detección efectiva de anomalías.
• Desarrolló un marco de imputación de aprendizaje automático que combina la interpolación lineal y LightGBM para la reconstrucción de datos.
• Realizó experimentos con datos del mundo real de un proyecto de refuerzo de parques eólicos en la provincia de Shandong.

Principales resultados:

• El método iterativo de diferencia de rodadura Z-score demostró una detección de anomalías robusta, incluso con una pérdida de datos de hasta el 80%.
• El marco de imputación alcanzó un error cuadrado medio (MSE) bajo de 0.0214-0.0227 y un error cuadrado medio de raíz (RMSE) de 0.14-0.15 para datos faltantes continuos.
• Se logró una reconstrucción fiable de los datos para una pérdida de datos de hasta el 50% en escenarios de datos perdidos continuos.

Conclusiones:

• Los métodos desarrollados proporcionan una solución fiable para mejorar la calidad de los datos de seguimiento de los parques eólicos.
• La mejora de la integridad de los datos permite una evaluación más precisa del estado estructural y de la seguridad.
• Esta investigación contribuye a la fiabilidad estructural a largo plazo de la infraestructura de energías renovables.