Éolien flottant : renforcer la fiabilité des systèmes en mer grâce au jumeau numérique et à l’IA

La fiabilité, un enjeu crucial pour les éoliennes offshore flottantes

L’éolien en mer est désormais reconnu, tant au niveau national qu’international, comme un pilier essentiel de la transition énergétique, avec une part croissante du marché dédiée à la technologie éolienne flottante. Pour optimiser les coûts de maintenance et prolonger la durée de vie des systèmes, il est indispensable de disposer d’outils performants. Assurer la fiabilité et la durabilité de ces infrastructures nécessite le développement de solutions avancées de suivi en service, capables d’évaluer avec précision l’état de fatigue des structures et de détecter d’éventuelles anomalies. C’est précisément l’objectif du projet de R&D DIONYSOS, lancé en 2021 et achevé fin 2024, pour lequel a été mise en place une méthodologie reposant sur un concept de jumeau numérique.

Une plateforme innovante testée sur deux éoliennes en mer

Les deux premières phases du jumeau numérique ont consisté à développer un modèle numérique d’éolienne flottante ainsi qu’à spécifier puis déployer des capteurs sur une machine en mer et en fonctionnement. Pour analyser et croiser les données issues des capteurs et des simulations, France Energies Marines a conçu une plateforme logicielle, qui constitue le coeur du jumeau numérique. Elle assure le rapatriement et le filtrage des données, ainsi que le forçage du modèle avec des données environnementales, permettant d’exécuter les simulations. Dotée d’une interface de suivi en temps réel, elle facilite l’analyse du comportement de l’éolienne. Dans ce cadre, quatre outils numériques open-source de modélisation et d’optimisation, ont été documentés et proposés aux acteurs de la filière.

Une meilleure détection et catégorisation des anomalies grâce à l’intelligence artificielle

Les résultats du jumeau numérique ont été analysés par une « méthode basée sur le modèle », simulant des anomalies pour mieux les catégoriser. Le jeu de données ainsi généré peut être appliqué à des données réelles pour identifier et classer les éventuelles anomalies. Cela permettra aux exploitants de parcs éoliens flottants d’optimiser les opérations de maintenance, nécessaires au retour à la normale. En parallèle, une approche d’apprentissage profond a permis d’entraîner un réseau de neurones pour la détection de comportements anormaux à partir de mesures in situ. Les résultats obtenus montrent une très bonne fiabilité dans la prévision des anomalies. Cette méthode est également adaptée aux entreprises qui développent des capteurs et souhaitent améliorer les performances de leurs algorithmes de détection.