SolarAnywhere தரவு சூரிய சக்தியால் இயங்கும் UAV-களுக்கு நிஜமான வானிலைக்காக திட்டமிட உதவுகிறது

சூரிய தரவும் solar-powered UAV-களின் சாத்தியமும்

SolarAnywhere நீண்ட காலமாக utility-scale மற்றும் distributed solar PV-க்கான data service ஆக அறியப்பட்டு வந்துள்ளது. ஆனால் அதன் உயர்-தீர்மான irradiance datasets இப்போது ஒரு ஆச்சரியமான புதிய பயன்பாட்டை இயக்குகின்றன: solar-assisted unmanned aerial vehicles (UAVs). Warsaw University of Technology-யில், ஆய்வாளர் Piotr Lichota SolarAnywhere-இன் வரலாற்று satellite-derived irradiance data-ஐ பயன்படுத்தி solar UAV-களை பறக்க விடுவதற்கான சிறந்த நேரங்களை மற்றும் அவை நிஜமாக எவ்வளவு நேரம் வானில் நீடிக்க முடியும் என்பதை தீர்மானிக்கிறார். இந்த வேலை autonomous environmental monitoring, precision agriculture, மற்றும் search-and-rescue operations போன்ற நீண்டநேர பறப்பு முக்கியமான பணிகளின் வளர்ச்சியை வேகப்படுத்தக்கூடும்.

Solar UAV-களுக்கான வானிலை சவால்

Solar-powered UAV-கள் onboard photovoltaic panels மூலம் தங்கள் batteries-ஐ மீண்டும் charge செய்யும்படி வடிவமைக்கப்பட்டுள்ளன. கோட்பாட்டில், clear-sky scenario solar irradiance, panel output, மற்றும் flight duration ஆகியவற்றுக்கு நேரடியான தொடர்பை விவரிக்கிறது. ஆனால் நடைமுறையில், வானிலை அரிதாகவே ஒத்துழைக்கிறது. குறிப்பாக Central Europe போன்ற பகுதிகளில் dynamic low-altitude cloud cover, aircraft-க்கு கிடைக்கும் solar energy-யை கடுமையாக குறைத்து, mission capabilities-ஐ கட்டுப்படுத்த முடியும்.

Mission planners-க்கு, நிஜமான skies-இல் irradiance-ஐ முன்னறிவிக்க இயலாமை ஒரு முக்கியத் தடையாக உள்ளது. முந்தைய பெரும்பாலான models கோட்பாட்டுத் clear-sky assumptions அல்லது climatological averages-ஐ நம்புகின்றன; அவை UAV தன் mission-ஐ முடிக்குமா என்பதை உண்மையில் தீர்மானிக்கும் day-to-day variability-ஐ பிடிக்க முடியாது. மேலும் வலுவான ஒன்றே தேவை என்பதை Lichota உணர்ந்தார்: mission success probability-ஐ மதிப்பிட நிஜ உலக atmospheric volatility-ஐ பிரதிபலிக்கும் ஒரு simulation framework.

நிஜ irradiance data-வில் stochastic simulation உருவாக்குதல்

Clear-Sky Profiles-இலிருந்து Cloud-Cover Models வரை

இந்த framework-இன் மையம் SolarAnywhere dataset ஆகும்; இதில் 25 ஆண்டுகளுக்கும் அதிகமான satellite-derived irradiance observations உள்ளன. Maximum Likelihood Estimation (MLE) பயன்படுத்தி, Lichota historical observations-க்கு standard references, long-term averages, அல்லது typical meteorological year formulations-ஐ விட குறிப்பிடத்தக்க அளவு குறைந்த error-உடன் பொருந்தும் clear-sky Direct Normal Irradiance (DNI) மற்றும் Diffuse Horizontal Irradiance (DHI) profiles-ஐ கண்டறிந்தார்.

ஆனால் weather-variable regions-ல் clear-sky profiles மட்டும் போதாது. உயர் நம்பகத்தன்மை கொண்ட datasets cloud cover model ஒன்றை உருவாக்க பயன்படுத்தப்பட்டன. Clouds-ன் stochastic behavior-ஐ simulation செய்வதன் மூலம், இந்த framework deterministic assumptions-ஐத் தாண்டி, எந்த நேரத்திலும் எந்த இடத்திலும் கிடைக்கும் solar energy-க்கான probability distributions-ஐ உருவாக்குகிறது.

Mission Outcome Probabilities-ஐ மாதிரியாக்குதல்

இந்த stochastic framework அமலில் வந்த பிறகு, Lichota குறிப்பிட்ட launch time, location, மற்றும் flight configuration-க்கு இலக்கு flight duration-ஐ அடையும் probability-ஐ அளவிட்டார். ஒரே theoretical maximum-ஐ விட, இந்த framework நிஜமான சூழ்நிலைகளில் பல்வேறு outcomes நிகழும் வாய்ப்பைக் காட்டும் curves-ஐ வெளியிடுகிறது. இந்த curves, simple performance estimates-இலிருந்து risk-aware mission planning-க்கு ஒரு அடிப்படை மாற்றத்தை பிரதிபலிக்கின்றன.

முக்கிய கண்டுபிடிப்புகள்: மதிய launch வெற்றி பெறுகிறது

இந்த framework-இலிருந்து கிடைத்த முக்கியமான முடிவுகளில் ஒன்று mission success-இல் launch time-ன் தாக்கமாகும். ஆய்வில் காட்டப்பட்டபடி, midday launch, early-morning launch-ஐ விட நீண்ட mission-க்கு குறிப்பிடத்தக்க அளவு சிறந்த வாய்ப்பை வழங்குகிறது, அதே UAV அதே நாளில் பயன்படுத்தப்பட்டாலும் கூட. இந்த வகையான insight-ஐ clear-sky assumptions-இல் இருந்து பெற முடியாது; அங்கு காலை மற்றும் மதிய irradiance வேறுபாடுகள் கணிக்கக்கூடியவையும் பெரும்பாலும் சிறியவையும் ஆகும்.

இதற்கான காரணம் உள்ளார்ந்தது: Central Europe-இல் cloud cover patterns-க்கு diurnal component உள்ளது. காலை fog மற்றும் low clouds பெரும்பாலும் மதியத்திற்குள் கலைந்து, aircraft-க்கு அதிக irradiance கிடைக்க உதவுகின்றன. இந்த model இந்த dynamics-ஐப் பதிவு செய்து, launch windows-ஐத் தேர்வுசெய்வதற்கான data-driven அடிப்படையை operators-க்கு வழங்குகிறது.

உண்மை உலக நிபந்தனைகளுக்கான வடிவமைப்பு

Scheduling-ஐத் தாண்டி, இந்த framework சிறந்த design decisions-ஐ இயலுமைப்படுத்துகிறது. Solar-to-wing area ratios, battery capacities, அல்லது takeoff hour தேர்வில் மாற்றங்கள் mission feasibility-ஐ நேரடியாக பாதிப்பதை Lichota காட்டினார். நிஜமற்ற theoretical maximum flight duration-ஐ optimize செய்வதற்குப் பதிலாக, engineers trade-offs-ஐ மதிப்பிட probability curves-ஐ பயன்படுத்தலாம். உதாரணமாக, battery capacity-ஐ அதிகரிப்பது மேகமூட்ட சூழ்நிலைகளில் endurance-ஐ மேம்படுத்தலாம், ஆனால் எடையை அதிகரிக்கும்; அந்த trade-off risk-க்கு மதிப்புடையதா என்பதை model காட்டுகிறது.

இந்த அணுகுமுறை green technology applications-க்கான risk-oriented design-க்கு மாற்றத்தை எளிதாக்குகிறது. best-case scenario-வை கருதுவதற்குப் பதிலாக, designers ஒரு குறிப்பிட்ட flight duration-ஐ அடையும் 90% probability போன்ற reliability thresholds-ஐ நிர்ணயித்து, பின்னோக்கி செயல்பட்டு அந்த threshold-ஐ பூர்த்தி செய்யும் parameters-ஐ வரையறுக்கலாம்.

Green Technology மற்றும் அதற்கும் அப்பால் விளைவுகள்

Solar UAV-கள் மேம்பட்ட solar resource data உருவாகும் green technologies-க்கு ஆதரவாக செயல்படுவதற்கான ஒரு எடுத்துக்காட்டு மட்டுமே. அதே methodology solar-powered vehicles, marine autonomous systems, அல்லது solar forecasting-இல் சார்ந்த stationary energy storage operations-க்கும் பயன்படுத்தப்படலாம். மேலும் பல துறைகள் renewable energy-ஐ ஏற்றுக்கொள்ளும் நிலையில், probabilistic, real-world performance modeling-க்கான தேவை அதிகரிக்கிறது.

UAV தொழில்துறைக்கு, அதன் விளைவுகள் தெளிவானவை. Central Europe மற்றும் அதற்கு ஒத்த climates-இல் autonomous environmental monitoring missions அளவிடப்பட்ட நம்பிக்கையுடன் திட்டமிடப்படலாம். Precision agriculture operations, போதுமான solar energy கிடைக்கும் probability மிக அதிகமாக இருக்கும் நேரத்தில் flights-ஐ திட்டமிடலாம். Search-and-rescue குழுக்கள், ஒரு solar UAV இலக்கு பகுதியை மூட போதுமான நேரம் வானில் இருக்கும் வாய்ப்பு உள்ளதா என்பதை தீர்மானிக்கலாம்.

முடிவு

Warsaw University of Technology-யில் நடைபெறும் இந்த வேலை, பாரம்பரிய solar PV-க்கு அப்பாற்பட்ட பயன்பாடுகளுக்கு long-term, satellite-derived irradiance data-வின் மதிப்பை வெளிப்படுத்துகிறது. SolarAnywhere-இன் dataset, solar UAV operations-க்கான realistic, stochastic modeling-க்கு அடித்தளத்தை வழங்குகிறது. Clear-sky assumptions-ஐ probability-based frameworks-ஆக மாற்றுவதன் மூலம், ஆராய்ச்சியாளர்களும் operators-வும் புத்திசாலியான முடிவுகளை எடுக்கலாம், mission success rates-ஐ அதிகரிக்கலாம், மற்றும் sustainable aviation adoption-ஐ வேகப்படுத்தலாம்.

இந்த தொழில்நுட்பம் முதிர்ச்சி அடையும் போது, solar UAV-கள் மேலும் திறமையானவையும் நம்பகமானவையும் ஆகும் என்று எதிர்பார்க்கலாம்; ஆனால் அது வானிலையை நாம் விரும்பும் விதத்தில் அல்ல, அது இருப்பது போலவே திட்டமிட்டால் மட்டுமே. Lichota போன்ற data-driven approaches தான் அந்த எதிர்காலத்தை திறக்கிற முக்கிய விசை.

இந்த கட்டுரை CleanTechnica-வின் செய்திக்குறிப்பை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையைப் படிக்கவும்.