Håndtering af store mængder data

I takt med stigende kompleksitet og digitalisering, er evnen til at håndtere og omsætte store mængder data blevet en central disciplin. Databehandling handler ikke blot om at lagre tal og målinger, men om at skabe strukturerede og målrettede workflows, som giver brugbar og værdifuld information på baggrund af rådata.

Rådata kommer ofte fra tests, målinger eller simuleringer – eksempelvis som tidsserier fra sensorer, strukturelle modeller eller felttest. Disse datasæt er sjældent rene og kræver typisk en indledende filtrering og støjreduktion for at identificere de reelle tendenser og undgå fejltolkninger. Dette første trin er essentielt for at sikre kvaliteten af de efterfølgende analyser.

Et effektivt databehandlingssetup kan typisk automatiseres og inkluderer værktøjer som fx Python, MATLAB eller Excel, afhængigt af datatyper og analysebehov. Ved at definere et klart ønsket outcome tidligt i processen, kan arkitekturen for hele workflowet målrettes og optimeres.

Formålet med og kompleksiteten af databehandlingen kan være vidtrækkende afhængig af datatypen. Numeriske data fra strukturelle modeller kan anvendes til at validere komponenters bæreevne og kan automatiseres uafhængigt af geometrien. Felttest- og måledata kan analyseres statistisk for at fastlægge belastninger på konstruktioner og bidrage til design- og sikkerhedsbeslutninger.

Databehandling bliver dermed ikke kun en teknisk opgave, men en afgørende del af beslutningsgrundlaget.

Skalering og automatisering
En effektiv databehandling giver en række fordele:

• Tidsbesparelse: Automatiserede analyser og kontroller reducerer behovet for manuelle gennemgange.
• Skalerbarhed: Store mængder data – fra hundreder eller tusinder af sensorer eller elementer – kan behandles i ét samlet overblik.
• Kvalitetssikring: Data kan konsekvent sammenholdes med standarder og krav, hvilket mindsker fejl.
• Anvendelighed: Et godt defineret system kan genbruges på tværs af projekter og designvariationer, hvilket giver fleksibilitet og langsigtet værdi.

For større datasæt bliver det nødvendigt at definere en systematisk fil- og mappestruktur. Det muliggør et automatiseret workflow, hvor hele databehandlingskæden – fra import til visualisering – kan gennemføres effektivt og ensartet.

Eksempler
Hos FRECON er vi specialister i databehandling og arbejder dagligt med at strukturere, analysere og automatisere komplekse datasæt. Vi udvikler skræddersyede workflows, der sikrer høj kvalitet, skalerbarhed og effektivitet – på tværs af både tests, simuleringer og feltdataprojekter.

Nedenfor præsenteres nogle konkrete eksempler på, hvordan der arbejdes med databehandling i praksis.

Eksempel 1 – Automatiseret Bolte Analyse

I mange strukturer anvendes bolte som bærende komponenter​. Bolte er ofte kritiske komponenter og der kan være mange boltesamlinger i større konstruktioner​.

I Frecon har vi vores eget bolte tool til at validere bolte I ekstrem last scenarier samt udmattelse​. Toolet bygger på numerisk data fra FE-modellen, som læses ud i et framework hvor man med få inputs hurtigt får en visualisering af udnyttelsesgraden på tværs af strukturen og hvordan lasten distribueres, hvilket gør det effektivt at validere strukturel integritet af de individuelle bolte.

Eksempel 2 – Distribution af vindhastigheder samt vindretning

Et eksempel på site assessment for vindenergi baseret på vinddata er distribution af vindhastigheder.

Baseret på vinddata laves en distribution af vindhastighed, hvorfra sandsynligheden for vindhastigheder kan specificeres ved en Weibull distribution, baseret på vinddata for et givent antal år som vist på figuren.

Det fortæller om potentialet for vindenergi på det givne site ligesom det anvendes til at estimere dimensionerende laster for strukturelle komponenter.

Et andet eksempel på site assessment for vindenergi baseret på vinddata er en vindrose.

Baseret på vinddata estimeres fordelingen af vindretningen og det energimæssige potentiale per areal. Dette anvendes ift. layout af vindparker på givne sites og hvordan man optimerer power output for vindparken ved brug af historisk data for vinhastighed samt vindretning.

Eksempel 3 – Optimering af power output for en række af vind turbiner

Power output for en række af vindturbiner kan optimeres afhængig af ud fra parametre som wake expansion eller samt afstand mellem turbinerne, hvilket alt sammen har indflydelse på hvordan den kinetiske energi i vinden optimalt omsættes til energi i sammenspil med vindretning og hastighed.

Eksempel 4 – Optimering af power output for en vindmølle park

Baseret på historisk vinddata kan den totale effektivitet af en vindmølle park estimeres med udgangspunkt i vindretning samt vindhastighed observeret historisk som funktion af vindretningen.

Power output på en vind turbine reguleres for at optimere det totale power output af vind farmen, således at den kinetiske energi lagret i vinden distribueres bedst muligt ud over vindparken

Det optimale power output kan estiemeres ved sekventiel optimering. Ved en hyppigt forekommende vindretning i 135 grader vil turbinerne forrest i vindretningen (nederst til højre) producere mest strøm, men for at optimere power output for hele vindfarmen reduceres effektiviteten således at vindens kinetiske energi fordeles optimalt.