El Instituto de Computación (INCO) y el Instituto de Mecánica de los Fluidos e Ingeniería Ambiental (IMFIA) de la Facultad de Ingeniería con el apoyo de ANII, conformaron un grupo interdisciplinario con el objetivo de estudiar la circulación atmosférica con un enfoque ingenieril.
La energía Eólica en Uruguay
La apuesta al cambio en la forma de generar energía en Uruguay es el resultado del trabajo en equipo y una decisión de política pública ejemplar. En 2009 se inauguró el primer parque eólico en Uruguay. Hoy existen más de 40, lo que lo convierte en el segundo país con mayor generación de energía eólica en el mundo.
Este proceso requiere de más investigación, apuesta a la continuidad de la política y ampliación de las formas en que se concibe la generación de energía en el país. En este sentido, la Universidad de la República (UdelaR) apuesta a la producción de conocimiento y destina recursos públicos para ello, impulsando el desarrollo de proyectos de investigación asociados al recurso natural.
El túnel del viento que se construyó en la Facultad de Ingeniería (UdelaR) en el año 1996, se utiliza para identificar los lugares donde instalar aerogeneradores para extraer la máxima energía posible. Gracias a este trabajo, en 2009, se creó el mapa eólico de Uruguay cuando comenzaba esta nueva forma de apostar a la generación de energía.
La Facultad de Ingeniería de la UdelaR, trabaja con un enfoque multidisciplinar, en diversos proyectos de investigación financiados, entre otros por la Agencia Nacional de Investigación e Innovación (ANII) con el fin de aportar a la política nacional de forma eficiente y sostenible en el tiempo.
¿Quiénes participan y cómo de este proyecto?
Uno de estos proyectos se propone mejorar la capacidad de predecir ráfagas de viento -es decir, cuando éste se comporta con velocidades máximas en tiempos cortos- que tienen capacidad de causar distintos tipos de daños materiales.
El trabajo de los científicos asociado a procesos de un gran volumen de datos que predicen la posibilidad de ráfagas de viento, podría impactar en la toma de decisiones posteriores y arrojar información relevante, con el fin de alertar sobre posibles daños, además de cuantificar y dar cuenta del fenómeno. Estas situaciones pueden ocasionar daños severos, e incluso provocar pérdidas humanas. Por esas razones, contar con un mecanismo de predicción de ráfagas es de sumo interés para diferentes actores nacionales.
Además, este proyecto se basa en el uso de computación de alto rendimiento para utilizar distintos modelos numéricos que requieren una gran capacidad de cálculo e incluye la aplicación de técnicas de inteligencia artificial (IA) para mejorar la predicción y el acercamiento a los paradigmas de calidad de datos.
¿Qué propone este proyecto?
Este proyecto propone avanzar en el uso de técnicas probabilísticas para la predicción de ráfagas de viento. Para alcanzar este objetivo se plantea el trabajo en tres líneas de investigación:
-
El uso de conjuntos de modelos,
-
La aplicación de técnicas de inteligencia artificial (IA) para mejorar la predicción
-
El acercamiento a los paradigmas de calidad de datos.
La estrategia de investigación ha seguido dos caminos principales. Por un lado, el abordaje y análisis de los eventos más frecuentes en la región y nuestro país que producen las ráfagas, las denominadas tormentas convectivas, que resultan ser el tipo de tormentas más frecuentes en nuestro territorio.
Por otro lado, el estudio de las estrategias de procesamiento de datos basados en diferentes modelos (conjunto de corridas o simulaciones). Los modelos desarrollados presentan la ventaja de identificar eventos en los que se pueden tener tormentas convectivas a partir de un conjunto de variables físicas pronosticadas, como ser contenido de agua en la atmósfera e indicadores de estabilidad atmosférica (gradiente vertical de temperatura y de velocidad).
¿Cómo se realiza el procesamiento de datos obtenidos?
Para la simulación del fenómeno físico en cuestión, se tomó como insumo la base de datos de modelos de circulación atmosférica global THORPEX Interactive Grand Global Ensemble (TIGGE) y los datos de velocidades de viento de registros en torres de medición del Sistema de Gestión de Energía (SGE) de UTE.
A su vez, se exploraron diferentes técnicas para combinar los resultados en base a estrategias de inteligencia artificial (IA). Es decir, técnicas que permitan automatizar la selección de en qué contexto, qué modelo predice mejor.
Esto permite, por un lado, mejorar la predicción (en cada contexto se utiliza la síntesis de los mejores modelos) y, por otro lado, posibilita estimar la incertidumbre, ya que las diferencias entre los distintos modelos pueden ser tomadas como un estimador razonable
En el proyecto se utilizan las técnicas de IA como predictor, de qué modelo predice mejor en cada momento. Entonces, estos modelos de inteligencia artificial requieren de una variable objetivo a ser pronosticada, en el caso del proyecto son los datos de velocidades de viento extremas, esto es las ráfagas medidas en las torres de medición que dispone UTE en su sistema.
Existen varias etapas en este proceso:
-
La primera se denomina “de aprendizaje”, donde los parámetros de los modelos se ajustan para obtener el mínimo error.
-
Luego la etapa de “validación”, donde se evalúa el desempeño del nuevo predictor.
Para la etapa de aprendizaje se estudiaron distintas técnicas como regresiones simples, filtros de Kalman y redes neuronales.
¿Qué resultados obtuvo la investigación?
Los mejores resultados fueron alcanzados con las redes neuronales. En total se probaron 12 modelos distintos llegando a resultados de mejora con respecto al modelo TIGGE del 47%.
Además, los modelos probados no sólo son capaces de predecir la velocidad sino que aportan valores máximos, mínimos y promedio de las velocidades máximas pronosticadas, generando así un rango en el que varía la predicción que puede ser utilizado como estimador de la incertidumbre.
Los resultados obtenidos, si bien primarios, son sumamente alentadores y permiten plantearse avanzar en la implementación de modelos operativos de predicción de ráfagas. Es decir, sistemas que estén constantemente prediciendo la posibilidad de ráfagas de viento con interfaces para los diversos actores de la sociedad.