[pt] Nos últimos anos tem-se observado o crescente fomento de pesquisas globais por sistemas de energias renováveis que proporcionem menor impacto ambiental, garantindo às necessidades do presente sem comprometer a capacidade das gerações futuras. Tal propósito tem impulsionado o avanço da pesquisa em diferentes áreas do campo da energia eólica global, objetivando-se entender o comportamento estrutural e mecânico de cada componente, a fim de garantir uma engenharia de maior segurança e qualidade, bem como reduzir o tempo de indisponibilidade dos aerogeradores. O presente estudo tem como objetivo avaliar o comportamento estrutural de um aerogerador onshore de eixo horizontal, com rotor de três pás, submetido a campos normais e extremos de velocidade do vento definidos de acordo com a IEC 61400- 1 - Wind Turbines Design Requirements. Devido ao acesso limitado às informações técnicas dos aerogeradores comercializados pelos fabricantes, será realizada a análise para o aerogerador de referência de 5 MW desenvolvido pelo Laboratório Nacional de Energias Renováveis (NREL) dos Estados Unidos, o qual disponibilizou as especificações técnicas do aerogerador para acesso público. O comportamento da estrutura será avaliado através da simulação do sistema acoplado rotor-torre-fundação no código FAST, que é um simulador aero-hidro-servo-elástico desenvolvido pelo NREL, o qual está abertamente disponível e bem documentado no meio científico. Os casos de vento normal e extremo, estabelecidos pela IEC 61400-1 e utilizados no FAST, são processados pelo programa TurbSim, também disponibilizado pelo NREL. A análise modal do aerogerador é realizada pelo software SAP2000 para obtenção das frequências naturais e avaliação da característica dos modos de vibração da estrutura. O modelo de elementos finitos considera a torre e as pás discretizadas em elementos de viga. / [en] In recent years there has been a global research for forms of renewable energy which could provide less environmental impact as well as guarantee energy for future generations. This scenario leads to the rise of studies in wind power field which scrutinizes the wind turbine aiming to understand the structural and mechanical behaviour of each component in order to assure safer and quality engineering as well as reducing the wind turbines downtime. The present study aims to understand the structural behavior of an onshore three-bladed horizontal-axis wind turbine subjected to the normal and extreme wind speed fields defined in accordance with IEC 61400- 1 - Wind Turbines Design Requirements. Due to limited access to technical information on wind turbines marketed by manufacturers, the analysis will be performed for the 5 MW Reference Wind Turbine developed by the National Renewable Energy Laboratory (NREL) of the United States, which made the technical specifications of the turbine available for public access. The behavior of the structure will be evaluated through the simulation of the rotor-tower-foundation coupled system in the FAST code, which is an aero-hydro-servo-elastic simulator developed by NREL, which is openly available and well documented in the scientific community. The cases of normal and extreme wind, established by IEC 61400-1, used in FAST, are processed by the TurbSim program also provided by NREL. The modal analysis of the wind turbine is performed using the software SAP2000 in order to obtain the natural frequencies and evaluate the characteristic of the structure s vibration modes. The finite element model considers the tower and the blades discretized into beam elements.

[pt] A energia eólica tem se destacado no Brasil como uma fonte importante para diversificar a matriz energética, gerando energia limpa e sustentável. Com os altos investimentos nessa área, cresce a necessidade de antecipar falhas em turbinas eólicas. O aumento exponencial no número de turbinas instaladas, juntamente com o envelhecimento da frota de geração, intensificou a competição para reduzir os custos de operação e manutenção, o que significa minimizar paradas não planejadas e minimizar grandes e caras manutenções corretivas. O objetivo deste estudo é utilizar os dados de vibração disponíveis nos Sistemas de Monitoramento e Gestão de Condição para identificar turbinas com desvios significativos de condição que apresentem alto risco de falha. A abordagem de processamento de dados usando algoritmos como Vizinho Mais Próximo Condensado e a Análise de Componentes Principais na etapa de pré-processamento, juntamente com Máquinas de Vetor de Suporte para classificação do estado de saúde, demonstrou excelente precisão, acima de 90 por cento de acurácia tanto para testes de uma única turbina quanto para testes de múltiplas turbinas, tornando-a adequada para a gestão de parques eólicos com um grande número de turbinas. Os experimentos realizados em combinação de 5 turbinas, permitiu identificar os cenários de melhor performance, mantendo resultados acima dos 90 por cento de acurácia do modelo proposto de acordo com o objetivo de identificação antecipada de falhas em uma frota considerando dados reduzidos para treino do modelo aplicado. Nestes cenários, destaquem se situações que não houve performance adequada também, impactando tanto a acurácia quanto a razão de falsos positivos avaliados. / [en] Wind energy has become a key source for diversifying Brazil’s energy matrix, significantly contributing to the generation of clean and sustainable energy. Due to its importance and the large investments being made in this sector, there is an increasing need to anticipate failures in wind turbines. The exponential increase in the number of installed turbines, along with the aging of the generation fleet, has intensified the competition to reduce operation and maintenance costs, which means minimizing unplanned downtime and reducing large, costly corrective maintenance. The objective of this study is to use vibration data available from Condition Monitoring and Management Systems (CMMS) to identify turbines with significant condition deviations that present a high risk of failure. The data processing approach, using algorithms such as Condensed Nearest Neighbor (CNN) and Principal Component Analysis (PCA) in the pre-processing stage, along with Support Vector Machines (SVM) for health state classification, has demonstrated excellent accuracy, above 90 percent, both in single-turbine tests and in multiple-turbine tests, making it suitable for managing wind farms with a large number of turbines. The experiments conducted with a combination of five different turbines allowed the identification of the best performance scenarios, maintaining results with over 90 percent accuracy in the proposed model according to the goal of early fault detection in a fleet, even when using reduced training data for the applied model. It is also important to highlight scenarios where performance was not adequate, impacting both accuracy and the rate of evaluated false positives.

[pt] Os métodos de aprendizado de máquina para monitoramento de pás deturbinas eólicas dependem principalmente de conjuntos de dados completos erotulados, que são caros e muitas vezes impraticáveis de obter. Além disso, naciência dos materiais, a maioria dos métodos depende de dados experimentaiscaros, com exploração limitada de técnicas de aumento de dados para reduziro custo do treinamento de modelos. O objetivo desta pesquisa é abordar essaslacunas significativas explorando a classificação de uma classe para a detecçãode anomalias em pás de turbinas eólicas e desenvolvendo métodos para aumentar os dados existentes para um treinamento de modelos mais econômicona ciência dos materiais. Os métodos aplicados neste trabalho para a detecçãode anomalias incluem One Class Support Vector Machine (OCSVM), SupportVector Data Description (SVDD) e autoencoders Long Short-Term Memory(LSTM). Para aumentar os dados experimentais de materiais, foram utilizadas técnicas de adição de ruído e manipulação de imagens. Para a detecçãode anomalias, o autoencoder LSTM atingiu uma precisão de 97.4 por cento com aproximadamente 100 por cento de recall, enquanto o OCSVM atingiu 89 por cento de precisão e 97 por cento de recall. O OCSVM foi considerado mais adequado devido aos custos de treinamento mais baixos e desempenho semelhante. Os resultados para aumento de dados experimentais mostraram uma melhoria de 20 por cento em relaçãoaos modelos previamente treinados, com a técnica de aumento melhorando significativamente o desempenho, especialmente em modelos treinados com dadosde amostras experimentais diferentes. Em conclusão, esta pesquisa demonstraa eficácia da classificação de uma classe para a detecção de anomalias em pásde turbinas eólicas e destaca os benefícios das técnicas de aumento de dadospara o treinamento de modelos econômicos na ciência dos materiais. / [en] The background machine learning approaches for wind turbine blade monitoring rely mostly on complete and labeled datasets, which are costly and often impractical to obtain. Additionally, in material science, most methods depend on expensive experimental data, with limited exploration of data augmentation techniques to reduce the cost and effort of model training. The objective of this research addresses these significant gaps by exploring one-class classification for anomaly detection in wind turbine blades and by developing methods to augment existing data for more cost-effective model training in material science. The methods applied in this work for anomaly detection include One Class Support Vector Machine (OCSVM), Support Vector Data Descriptio (SVDD), and Long Short-Term Memory (LSTM) autoencoders. For augmenting experimental material data, noise addition and image manipulation techniques were used. For anomaly detection, the LSTM autoencoder achieved an accuracy of 97.4 percent with approximately 100 percent recall, while OCSVM achieved 89 percent accuracy and 97 percent recall. OCSVM was deemed more suitable due to lower training costs and similar performance. The results for experimental data augmentation showed a 20 percent improvement over previously trained models, with the augmentation technique significantly enhancing performance, especially in models trained with data from different experimental samples. In conclusion, this research demonstrates the effectiveness of one-class classification for anomaly detection in wind turbine blades and highlights the benefits of data augmentation techniques for cost-effective model training in material science.