RUB » Bibliotheksportal

Simon Ghebretinsae Tewolde

• The majority of offshore wind farms (OWFs) are equipped with Structural Health Monitoring (SHM) system. However, since most of them are implemented to only fulfill the minimum requirement, the benefits that could have been obtained from SHM are not yet being fully utilized. The presented work used SHM data from several operating offshore wind turbines (OWTs) in the North Sea to show the added value of SHM for effective operational life cycle management of OWFs. The developed three-stage data analysis approach is used to investigate several application cases to highlight the benefits. Furthermore, an artificial neural network is developed to extrapolate the SHM results from the monitored to the unmonitored OWTs. To make up for the absence of monitored damage scenarios, a validated FE model is used to simulate damages and observe their effect on damage sensitive parameters. In addition, a procedure is outlined to incorporate SHM based stress magnitude for risk based inspection planning.
• Die meisten Offshore-Windparks sind mit einem Structural Health Monitoring (SHM)-System ausgestattet. Die Vorteile von SHM-Systemen werden jedoch noch nicht in vollem Umfang genutzt. In der vorliegenden Arbeit werden SHM-Daten von Offshore-Windenergieanlagen (OWEA) in der Nordsee verwendet, um den Mehrwert von SHM für ein effektives Management des Lebenszyklus aufzuzeigen. Um dies zu verdeutlichen, wird ein Datenanalyseansatz entwickelt, der für die Untersuchung verschiedener Anwendungsfälle verwendet wird. Darüber hinaus wird ein künstliches neuronales Netz aufgebaut, das die Extrapolation von SHM-Ergebnissen der überwachten OWEA auf die nicht überwachten OWEA ermöglicht. Da es keine überwachten Schadensszenarien gibt, wird ein validiertes FE-Modell verwendet, um Schäden zu simulieren. Dies erlaubt die Beobachtung der Beeinflussung schadensempfindlicher Parameter. Zudem wird eine Methode zur Einbeziehung von SHM-basierten Spannung für risikobasierte Inspektionsplanung dargestellt.