BLEEPID | Naar grotere betrouwbaarheid en lagere kosten van offshore-windenergie door voorspelling van bladranderosie en drone-inspectie

Druppelerosie van offshore windturbinebladen heeft een grote impact op de onderhoudskosten en de energieproductie en leidt mogelijk tot microplastics in het milieu. In dit project worden fundamentele beeldanalyse- en cameratechnieken ontwikkeld, gecombineerd met kwantitatieve slijtagemodellen op basis van experimenten en multifysische modellering, waarbij CFD-FSI en vermoeiingsmodellen worden gecombineerd. De innovaties faciliteren nauwkeurige drone-inspecties van offshore turbines, optimaliseren de onderhoudsplanning, en verlengen de levensduur van de bladen. 

Context

De jaarlijkse groene elektriciteitsproductie door windenergie zal tegen 2030 naar verwachting 25 TWh bedragen, goed voor 25-30% van de Belgische elektriciteitsvraag. Leading-edge erosie (LEE) is een ernstig erosief slijtagemechanisme waarbij materiaal geleidelijk aan van de voorranden van het blad wordt verwijderd als gevolg van (sub)oppervlaktevermoeiing. De herhaalde impact van waterdruppels bij hoge snelheid veroorzaakt zware drukschokgolven in het bladmateriaal, wat leidt tot het ontstaan, de verspreiding en de coalescentie van scheuren en uiteindelijk tot materiaalverlies, kuilvorming, delaminatie en desintegratie van de structurele integriteit. Hoewel windturbines zijn ontworpen en gebouwd voor een operationele levensduur van 25 jaar bij maximale energiecapaciteit, heeft de huidige generatie turbines na 5-10 jaar vaak uitgebreid onderhoud nodig als gevolg van ernstige LEE en verminderde energieproductie.
Vandaag wordt de inspectie van windturbinebladen meestal handmatig uitgevoerd door personeel ter plaatse. Drone-inspecties aan de hand van cameratechnieken met hoge resolutie worden steeds populairder en kunnen waardevolle gegevens opleveren om dergelijke dure beslissingen over onderhoud en herstelling te ondersteunen. De voordelen zijn legio, gezien de grote impact van LEE voor de Belgische windmolenparken: 1) aanzienlijke impact op exploitatie en onderhoud, 2) verlies van energieproductie door de verandering in weerstands- en liftcoëfficiënten, en 3) zeevervuiling door het afbreken van microplastics en polymere materialen.  

Doel, aanpak en resultaten

Doel van het project is de onderhoudsplanning en de operationele controle van offshore windmolenparken te verbeteren door met camera's uitgeruste drones te gebruiken om op afstand de status van de bladen te inspecteren en nauwkeurige, kwantitatieve metingen van de erosieve slijtage uit te voeren aan de hand van precieze beelden in combinatie met een fundamentele karakterisering van de slijtage met behulp van zowel experimenten als modellering. 
Er zijn vier doelstellingen vastgesteld om LEE te beperken: 

1. Ontwikkelen van beeldopname- en analysemethoden voor een zeer nauwkeurige LEE-inspectie met drones. 
2. Bijdragen tot de ontwikkeling van bedrijfszekere instrumenten voor voorspellend onderhoud, door zowel adequate datagestuurde als fysische modellen te formuleren voor de beschrijving en voorspelling van de evolutie van erosie van de voorranden op basis van de huidige toestand van het blad en de neerslagparameters. 
3. Verstrekken van een gedetailleerd inzicht in de wisselwerking tussen de impact van vloeistofdruppels op representatieve beschermingen van de voorranden, door middel van gecontroleerde experimenten en multifysische modellering, met als doel deze materialen in de toekomst te verbeteren of de eigenaars van windmolenparken minimale specificaties te bieden voor de bescherming van de voorranden. 
4. Ontwikkelen van een raamwerk en een model om de socio-economische impact van de nieuw ontwikkelde LEE-detectie- en predictiemodellen te evalueren in termen van genivelleerde energiekosten (LCOE) en hun koolstofvoetafdruk. Simuleren van de socio-economische gevolgen van deze nieuwe modellen op de ontwikkelingszone van het Prinses Elisabeth offshore windmolenpark. 

Als onderdeel van het project ontwikkelt Sirris een raamwerk en een model om de socio-economische impact van de nieuw ontwikkelde LEE-detectie- en predictiemodellen te evalueren in termen van genivelleerde energiekosten (LCOE) en hun koolstofvoetafdruk. De socio-economische gevolgen van deze nieuwe modellen zal worden gesimuleerd op de ontwikkelingszone van het Prinses Elisabeth offshore windmolenpark.

Financiering

• Subsidiërend kader: ETF Energietransitiefonds