Artificial intelligence applied to transmission line towers optimization and reliability

Abstract

As torres de linha de transmissão (TLTs) são componentes críticos da infraestrutura energética, garantindo a transmissão segura e eficiente de eletricidade por longas distâncias. No Brasil, onde linhas de transmissão extensas são comuns devido à grande extensão territorial e à separação geográfica entre os centros de geração e consumo de energia, as TLTs enfrentam desafios ambientais significativos, principalmente cargas extremas de vento. A necessidade de projetos resilientes, economicamente viáveis e sustentáveis tem impulsionado a adoção de técnicas computacionais avançadas, incluindo inteligência artificial (IA) e aprendizado de máquina (ML), para a otimização estrutural e avaliação de confiabilidade das TLTs. Esta tese foca na integração de metodologias baseadas em IA para a otimização e avaliação de confiabilidade de TLTs. São apresentadas abordagens inovadoras para lidar com alta dimensionalidade e complexidade computacional, como regressão por processos Gaussianos (GPR) e aprendizado adaptativo, além destes combinados com redes neurais profundas (DNNs) normalizadas espectralmente. Na frente de otimização, uma abordagem híbrida que combina o algoritmo metaheurístico Backtracking Search Algorithm (BSA) com a otimização global eficiente (EGO) baseada em GPR reduziu em até 8,37% a massa global de uma família real de torres autoportantes de 230 kV, em comparação com a otimização exclusivamente dimensional praticada pela indústria, exigindo apenas algumas centenas de avaliações adicionais da função objetivo, enquanto resultados comparáveis com o metaheurístico isolado exigiriam mais de cem mil avaliações adicionais. Na área de confiabilidade, o metamodelo proposto, AL-SNDGPR-MCS, forneceu estimativas estáveis da probabilidade de falha (Pf) de uma torre estaiada existente, modelada com 30 variáveis aleatórias, por meio de análises não-lineares avançadas que incorporam não linearidades críticas, como o deslizamento dos parafusos, não linearidades geométrica e física, e degradação de rigidez devido a tensões residuais. A redução de dimensionalidade via aprendizado profundo, em conjunto com a normalização espectral, superou a ?maldição da dimensionalidade? que inviabiliza métodos convencionais, como o AK-MCS. O metamodelo resultante viabilizou uma análise de sensibilidade global do comportamento de colapso progressivo da estrutura, a qual revelou a importância de considerar outras incertezas, mostrando que a velocidade do vento não domina tanto quanto o que foi encontrado anteriormente na literatura. As metodologias desenvolvidas nesta tese enfrentam dois principais gargalos computacionais do projeto de TLTs: o custo da otimização de famílias completas de torres e o custo da estimativa da probabilidade de falha com modelos mecânicos de alta fidelidade. Em conjunto, elas estabelecem a base computacional necessária para futuros procedimentos integrados de projeto, como a Otimização Baseada em Confiabilidade (RBDO), na qual avaliações de confiabilidade são incorporadas diretamente ao ciclo de otimização. Este trabalho destaca o potencial de combinar IA e simulações numéricas avançadas para enfrentar os desafios do projeto moderno de TLTs, oferecendo ferramentas eficientes e precisas de otimização e de avaliação de confiabilidade estrutural que se alinham às necessidades da indústria em evolução e às demandas ambientais.

Abstract: Transmission line towers (TLTs) are critical components of energy infrastructure, ensuring the safe and efficient transmission of electricity over long distances. In Brazil, where extensive transmission lines are common due to the vast territorial extension and the geographical separation between energy generation and consumption centers, TLTs face significant environmental challenges, primarily extreme wind loads. The need for resilient, economically viable, and sustainable designs has driven the adoption of advanced computational techniques, including artificial intelligence (AI) and machine learning (ML), for the structural optimization and reliability assessment of TLTs. This thesis focuses on the integration of AI-based methodologies for the optimization and reliability assessment of TLTs. Innovative approaches are presented to handle high dimensionality and computational complexity, such as Gaussian process regression (GPR) and active learning, as well as their combination with spectrally normalized deep neural networks (DNNs). On the optimization front, a hybrid approach combining the metaheuristic Backtracking Search Algorithm (BSA) with GPR-based efficient global optimization (EGO) reduced the global mass of a real family of 230 kV self-supporting towers by up to 8.37%, compared to the strictly dimensional optimization practiced by the industry, requiring only a few hundred additional objective function evaluations, whereas comparable results with the isolated metaheuristic would require over one hundred thousand additional evaluations. In the reliability area, the proposed metamodel, AL-SNDGPR-MCS, provided stable estimates of the probability of failure (Pf) of an existing guyed tower, modeled with 30 random variables, through advanced nonlinear analyses that incorporate critical nonlinearities, such as bolt slippage, geometric and physical nonlinearities, and stiffness degradation due to residual stresses. Dimensionality reduction via deep learning, coupled with spectral normalization, overcame the ?curse of dimensionality? that makes conventional methods, such as AK-MCS, unfeasible. The resulting metamodel enabled a global sensitivity analysis of the structure?s progressive collapse behavior, which revealed the importance of considering other uncertainties, showing that wind speed does not dominate as much as previously found in the literature. The methodologies developed in this thesis address two main computational bottlenecks in TLT design: the cost of optimizing entire tower families and the cost of estimating the probability of failure with high-fidelity mechanical models. Together, they establish the necessary computational foundation for future integrated design procedures, such as Reliability-Based Design Optimization (RBDO), in which reliability assessments are incorporated directly into the optimization cycle. This work highlights the potential of combining AI and advanced numerical simulations to face the challenges of modern TLT design, offering efficient and accurate structural optimization and reliability assessment tools that align with evolving industry needs and environmental demands.