Pendanaan: Pekerjaan ini didukung oleh Tecnológico Nacional de México, 19400.24-P. CONAHCYT, CF-2023-I-724.

ABSTRAK

Bilah turbin angin (WTB) merupakan komponen penting dari sistem energi angin. Beroperasi di lingkungan yang keras, WTB menghadapi tantangan yang signifikan, karena kerusakan pada ujung terdepannya yang disebabkan oleh erosi atau kekasaran permukaan aditif dapat mengurangi kinerja, dan meningkatkan biaya perawatan serta waktu henti operasional. Salah satu pendekatan untuk mendeteksi kerusakan WTB adalah dengan menggunakan pembelajaran mesin, tetapi merancang sistem prediktif dengan tepat bukanlah hal yang mudah. ​​Pembelajaran mesin otomatis (AutoML) dapat digunakan untuk menyederhanakan desain dan implementasi alur pembelajaran mesin. Karya ini menyajikan perbandingan pertama metode AutoML terkini, Auto-Sklearn, H2O-DAI, dan TPOT, untuk mendeteksi erosi dan kekasaran aditif di WTB. Basis data Studi Erosi Ujung Terdepan digunakan, yang menyediakan pengukuran koefisien tekanan di sepanjang airfoil dalam berbagai kondisi. Ini adalah karya pertama yang menggabungkan koefisien tekanan dan sistem AutoML untuk mendeteksi jenis kerusakan ini. Hasil menunjukkan kelayakan penggunaan AutoML dalam tugas ini, dengan H2O-DAI menghasilkan hasil terbaik, mencapai akurasi di atas 90 % dalam banyak kasus. Namun, analisis statistik menunjukkan bahwa pengklasifikasi standar dapat mencapai kinerja yang sama di semua masalah yang dipertimbangkan, berdasarkan uji Friedman dan analisis post hoc Wilcoxon-Holm dengan a = 0.5tingkat signifikansi. Namun, sistem AutoML berkinerja lebih baik seiring meningkatnya kompleksitas dan kesulitan masalah.