Using Numerical Analysis to Design and Optimize River Hydrokinetic Turbines’ Capacity Factor to Address Seasonal Velocity Variations
Notice bibliographique
Résumé
Seasonal velocity variations can significantly impact the total energy delivered to microgrids produced by river hydrokinetic turbines. These turbines typically use a diffuser to increase the velocity at the rotor section, adding weight and raising deployment costs. There is a need for practical solutions to improve the capacity factor of such turbines. Our solution involves using multiple turbine rotors that can be interchanged to match seasonal velocity changes, eliminating shrouds to simplify design and reduce costs. This solution requires turbines that are designed to have an easily interchanged rotor, which requires us to limit the rotor to a two-blade design to also lower costs. This approach adjusts the turbine power curve with different two-blade rotor sizes, enhancing the yearly capacity factor. BladeGen ANSYS Workbench is used to design three two-blade rotors for free stream velocities of 1.6, 2.2, and 2.8 m/s. For each turbine rotor, 3D simulation is applied to reduce aerodynamic losses and target a coefficient of performance of about 45%. Mechanical stress analyses assess the displacement and stress of the used composite materials. Numerical results show good agreement with experimental data, with rotor efficiencies ranging from 43% to 45% at a tip speed ratio of 4 and power output between 5.4 and 5.6 kW. Results show that rotor interchangeability significantly enhances the turbine capacity factor, increasing it from 52% to 92% by adapting to river seasonal velocity changes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».