Optimering inspirerad av bajskärror för probabilistisk kraftanalys av heliostatstödstrukturer

Varför vind och speglar spelar roll

Stora fält av speglar, kallade heliostater, är kärnan i vissa solkraftverk. De följer solen och reflekterar ljus mot en central tornstruktur för att producera elektricitet. Men i öppna, vindpinade ökenområden utsätts dessa höga spegelkonstruktioner ständigt för byar och turbulent luft. Om ingenjörer missbedömer dessa vindkrafter kan stöden bli överdimensionerade och dyra—eller ännu värre, underdimensionerade och osäkra. Denna artikel undersöker hur man bättre kan förutsäga vindkrafter på heliostatstöd med hjälp av en naturinspirerad beräkningsalgoritm modellerad efter bajskärror, i syfte att hålla solenergi både säker och prisvärd.

Hur vinden påverkar solreflektorer

Heliostater är mer än bara platta speglar på stolpar. De har balkar, pelare och leder som alla upplever vinden på olika sätt. Traditionellt antar ingenjörer att den ständigt föränderliga vindtrycket följer en prydlig klockformad kurva—den klassiska "normal"- eller Gaussfördelningen. Tidigare studier visade dock att verkliga vindtryck på heliostater ofta bryter mot denna regel, särskilt på vissa delar av spegelytan. Det betyder att enkla modeller kan missbedöma toppkrafter som är kritiska för att förebygga strukturellt haveri. Författarna gav sig därför i kast med att undersöka det verkliga, slumpmässiga beteendet hos vindkrafter på stödstrukturen, inte bara på spegelytan, under många kombinationer av vindriktning och spegelvinkel.

Från mätningar i öknen till vindkanaltester

Studien inleds med noggranna vindmätningar på en verklig heliostatanläggning i en nordvästlig ökenregion i Kina. Teamet monterade en cirka 10 meter hög mast med flera anemometrar för att fånga hur vindhastighet och riktning förändras med höjden under mer än 87 timmar. De återskapade sedan detta atmosfäriska gränsskikt i en specialiserad vindkanal med hjälp av spiror och ruggelement på golvet för att efterlikna ökenterraängen. En skalad heliostatmodell, ungefär 1/50 av verklig storlek, monterades på en högprecisionssensor för sexaxliga krafter. Genom att rotera modellen genom 130 kombinationer av elevation (spegelns lutning) och azimut (horisontell pekriktning) registrerade de hur drag-, lyft- och vältningsmoment varierade i realistisk, byig vind.

Att särskilja ordnade vindar från de vilda

För att avgöra om vindkrafterna uppförde sig som en prydlig klockkurva eller visade mer extrema, snedvridna beteenden fokuserade forskarna på två statistiska mått: skevhet, som mäter vänster–höger-obalans, och kurtos, som mäter hur tunga fördelningens svansar är (hur ofta stora avvikare förekommer). För varje driftsscenario beräknade de dessa två tal för drag, lyft och basens vältningsmoment. Genom att jämföra resultaten med tidigare kriterier från bygg- och takkonstruktioner utvecklade de en ny, striktare regel anpassad för heliostater: om skevheten ligger inom plus eller minus 0,2 och kurtosen är 3,2 eller mindre kan kraften behandlas som Gaussisk; annars är den icke-Gaussisk. Denna regel klassificerade korrekt cirka 97 procent av alla testade fall när den kontrollerades mot detaljerade tidsserier och histogram.

Vad en bajskärra lär oss om vind

Att testa 130 vindförhållanden i kanalen ger bara ett diskret set punkter, men konstruktörer behöver förutsäga beteende vid många fler vinklar och hastigheter. Här kommer bajskärrans optimerare in. Inspirerad av hur bajskärror rullar, styr och skyddar sina föremål söker denna algoritm efter den bästa uppsättningen parametrar för en prediktionsmodell. Författarna använde den för att träna ett neuralt nätverk som kopplar spegelvinkel, vindriktning och vindhastighet till skevhet och kurtos för krafterna på stödet. Jämfört med mer bekanta metoder som partikel-svärmsoptimering, grey wolf-optimering och standard backpropagation-nätverk gav bajskärremetoden mer korrekta prediktioner och mindre fel, särskilt för de statistiska mått som styr sällsynta, extrema laster.

Att omvandla statistik till säkrare solfält

Genom att kombinera den nya Gaussregeln med bajskärrebaserade prediktioner kartlade teamet var vindkrafterna beter sig lugnt och var de blir oförutsägbara. De fann att drag och lyft tenderar att vara välordnade (Gaussiska) vid låga spegelelevationer men övergår till icke-Gaussiska vid brantare lutningar, där organiserade luftvirvlar bildas kring spegelkanter. Vältningsmoment visar motsatt mönster och blir mer förutsägbara vid högre lutningsvinklar. För praktisk dimensionering innebär detta att under många vardagliga förhållanden kan ingenjörer säkert använda enklare, Gauss-baserade metoder som är billigare att beräkna. Vid specifika hög-riskvinklar bör de däremot använda mer avancerade modeller som tar hänsyn till tunga svansar och avvikare. Kort sagt erbjuder studien en tydlig, fysikbaserad vägledning för när enkla antaganden räcker och när en mer försiktig, detaljerad ansats behövs för att hålla heliostatfält både robusta och kostnadseffektiva.

Citering: Luo, H., Liang, Y., Xiong, Q. et al. Dung beetle optimization for probabilistic force analysis of heliostat support structures. Sci Rep 16, 6893 (2026). https://doi.org/10.1038/s41598-026-38236-w

Nyckelord: heliostatvindlaster, soltornenstrukturer, Gaussiska icke-Gaussiska krafter, optimering med bajskärror, vindkanaltestning