Strategie basate su Machine Learning per il monitoraggio strutturale di turbine eoliche = Machine Learning based strategies for wind turbines structural monitoring

Viviamo in un contesto storico in cui i temi ambientali (inquinamento, riscaldamento globale) non sono più semplicemente argomenti di attualità ma un grosso problema con cui l’uomo, in quanto essere vivente molto sensibile ai cambiamenti dei parametri dell’ambiente in cui vive, deve urgentemente fare i conti. Dal momento in cui la popolazione mondiale si è resa conto della direzione in cui stava andando, attraverso la pratica diverse attività inquinanti (soprattutto con riferimento a industrie e trasporti) si è subito reso necessario comprendere come limitare nel tempo l’inquinamento e l’incremento di temperatura della Terra. Nel campo della produzione energetica, la transizione ecologica sta avvenendo con velocità crescente, incentivata soprattutto dal “punto di non ritorno” annunciato dagli scienziati, che rappresenterebbe il momento in cui i cambiamenti climatici antropici diventeranno tanto gravi quanto irreversibili. In questo contesto, è chiaro che l’abbassamento del costo della Green Energy, rappresenterebbe un ulteriore incentivo per giocare meglio la partita contro il tempo. Nel caso dell’energia eolica (fonte rinnovabile che cresce più rapidamente nel mondo), un tassello fondamentale oggetto di studi nella ricerca scientifica è proprio la gestione costi dell’energia e l’affidabilità della stessa. Obiettivo di questa tesi è offrire un’ampia quanto dettagliata panoramica sui metodi presenti in letteratura scientifica per abbassare il costo dell’energia, soprattutto quello delle Operazioni e Manutenzioni (Operations and Maintenance, O&M), tramite una discussione sulle tipologie di manutenzione e sui tipi di monitoraggio che si effettuano all’interno dei parchi eolici e delle singole turbine eoliche. Negli ultimi decenni, inoltre, grazie all’avvento dell’Intelligenza Artificiale e delle sue relative branche quali il Machine Learning, è stato possibile sviluppare algoritmi e software in grado di abbattere potenzialmente il costo totale della manutenzione, attraverso approcci predittivi. Essendo la letteratura scientifica incredibilmente vasta in merito, non sarà possibile riportare in questa tesi ogni singolo riferimento riscontrato. Saranno quindi riportate a titolo di esempio solo alcune applicazioni per ogni tipologia riscontrata.