Artykuły

Streszczenie

Niniejszy artykuł opisuje możliwości wdrożenia narzędzi sztucznej inteligencji w zarządzaniu cyklem życia elektrowni wiatrowych, ze szczególnym uwzględnieniem procesów decyzyjnych w fazie recyklingu łopat turbin. W artykule omówione zostały rozwiązania stosujące sztuczną inteligencję w planowaniu lokalizacji infrastruktury związanej z recyklingiem i magazynowaniem odpadów oraz głębokie uczenie maszynowe podczas ich rozpoznawania i sortowania w celu dalszej obróbki.

Wprowadzenie

Wraz z dynamicznym rozwojem energetyki wiatrowej narasta problem zagospodarowania zużytych komponentów, w szczególności składających się na łopaty turbin. Według szacunków, każdy zainstalowany gigawat mocy energii wiatrowej wiąże się z 10􀯗000 do 14􀯗000 ton wykorzystanych materiałów kompozytowych [1], [2]. Przyjmuje się, że wraz ze wzrostem jednostkowej mocy turbin, szczególnie w sektorze offshore, gdzie obecnie standardem są turbiny przekraczające 10 MW, ilość generowanych odpadów rośnie proporcjonalnie [2]. Szacuje się również, że w Europie do połowy XXI wieku masa wycofywanych z eksploatacji łopat osiągnie nawet 300􀯗000 ton rocznie [3]. Skalę wyzwania potęguje fakt, że obecne możliwości ich skutecznego przetwarzania są ograniczone, a większość materiału odpadowego to kompozyty skomplikowane w recyklingu [4].

Rys. 1. Masa jednostkowa materiałów odpadowych łopat dla wybranych zakresów mocy funkcjonujących turbin wiatrowych [2].

W procesie decyzyjności wobec zagospodarowania zużytych łopat turbin kluczowe znaczenie ma hierarchia postępowania z odpadami, proponowana m.in. przez Komisję Europejską [5] i Agencję Ochrony Środowiska w USA. W pierwszej kolejności należy zapobiegać powstawaniu odpadów (np. poprzez wydłużanie żywotności łopat), następnie dąży się do ich ponownego wykorzystania, a dopiero trzecie rozwiązanie stanowi recykling, poprzedzając jedynie możliwość składowania łopat, które obecnie nie jest stosowanym rozwiązaniem. Choć znajduje się nisko w tej klasyfikacji, recykling materiałów jest nieunikniony, gdyż nie wszystkie łopaty nadają się do dalszego wykorzystania, a wzrastająca ilość odpadów przewyższa skalę możliwości ponownego zastosowania bez przeprowadzenia procesów, pozwalających wyodrębnić poszczególne surowce ze struktury kompozytu. Sam recykling może przyjmować różne formy technologiczne: mechaniczne (rozdrabnianie), termiczne (piroliza, fluidyzacja) i chemiczne (np. solwoliza). Każda z tych metod ma swoje ograniczenia finansowe, energetyczne i środowiskowe, które determinują perspektywy dla ich zastosowania [4].

Największym wyzwaniem w recyklingu łopat jest ich złożona, niejednorodna geometria oraz różnorodny, warstwowy skład materiałowy. Kompozyty wzmacniane włóknami szklanymi lub węglowymi, które stanowią około 93% masy materiałowej łopat, w połączeniu z rdzeniem z pianki PVC (ok. 2%), balsy (ok. 2%) oraz dodatkami metalicznymi i powłokami (łącznie ok. 3%), tworzą strukturę trudną do jednoznacznego rozpoznania i podziału na frakcje [6]. Dodatkowo, nieregularny kształt łopat utrudnia zautomatyzowane cięcie i optymalizację etapów obróbki, co zwiększa koszty i czas przygotowania materiału do dalszego przetwarzania. W takich warunkach tradycyjne procesy planowania stają się niewystarczające i wzrasta potrzeba elastycznego podejmowania decyzji. Właśnie w tym kontekście pojawia się potencjał zastosowania narzędzi sztucznej inteligencji, które mogą wspomóc analizę materiałową, identyfikację optymalnych technik cięcia czy klasyfikację komponentów do konkretnych technologii odzysku.

Czym jest sztuczna inteligencja?

Sztuczna inteligencja (AI, ang. Artificial Intelligence) to obszar nauki i inżynierii zajmujący się tworzeniem systemów zdolnych do realizacji zadań wymagających inteligentnych strategii, typowych dla ludzkiego rozumowania. W literaturze funkcjonują liczne definicje tego pojęcia – od ogólnych, jak „nauka oraz inżynieria tworzenia inteligentnych maszyn, w szczególności programów komputerowych” [7], po bardziej funkcjonalne, takie jak „zachowanie maszyny, które można uznać za inteligentne, jeśli człowiek na jej miejscu zachowałby się podobnie” [8].

AI opiera się na modelach zdolnych do przetwarzania danych wejściowych oraz wyprowadzania na ich podstawie odpowiedzi, decyzji lub poleceń wykonawczych. Kluczową rolę odgrywa tu proces uczenia maszynowego, który polega na analizie dużych zbiorów danych w celu identyfikacji schematów i zależności wykorzystywanych następnie w nowych, nieznanych wcześniej sytuacjach.

Rys. 2. Zasada działania sztucznej inteligencji [9]

Przykładem zastosowania sztucznej inteligencji w podejmowaniu decyzji są systemy ekspertowe, czyli programy komputerowe zaprojektowane do naśladowania procesu podejmowania decyzji przez ludzi posiadających specjalistyczną wiedzę. Jako dane wejściowe wykorzystują bazę wiedzy, zawierającą opisane fakty i reguły oraz moduł wnioskowania, który analizuje dane i generuje logiczne wnioski. Sprawdzają się zwłaszcza w dziedzinach, gdzie wiedza ekspercka opiera się na doświadczeniu, a nie na ściśle sformalizowanych algorytmach. Dzięki temu umożliwiają rozwiązywanie złożonych problemów w sposób zbliżony do ludzkiego rozumowania [10].

Zastosowania AI w fazie projektowej i eksploatacyjnej turbin

Sztuczna inteligencja znajduje największe zastosowanie w fazie projektowania oraz podczas eksploatacji turbin wiatrowych, natomiast jej wykorzystanie w końcowej fazie cyklu życia, związanej z demontażem, współcześnie pozostaje ograniczone, choć wraz z ilością powstających odpadów, należy prognozować wzrost popularności wybranych rozwiązań również na tym etapie zarządzania.

Podczas fazy projektowej, wskazuje się następujące obszary zastosowania AI [11]:

a) optymalizacja kształtu łopat (projektowanie łopat o korzystniejszym stosunku siły nośnej do sił oporu, co przekłada się na ok. 15% wzrostu sprawności wirnika względem tradycyjnego podejścia do projektu [12]);

b) planowanie konstrukcji turbiny (przygotowanie wariantów konstrukcyjnych na podstawie danych wejściowych takich jak moc, koszty czy skład materiałowy);

c) redukcja kosztów projektowania (wykorzystanie sieci neuronowych skraca czas optymalizacji nawet o 70% w porównaniu z klasycznymi metodami [13]);

d) strukturalna optymalizacja turbin (projektowanie lżejszych i trwalszych konstrukcji, ograniczając zużycie materiałów);

e) projektowanie pływających platform dla sektora offshore (prognozowanie reakcji mechanicznych w elementach nośnych morskich elektrowni wiatrowych przez modele LSTM);

f) dostosowanie projektu do lokalnych warunków wietrznych (identyfikacja optymalnych parametrów konstrukcyjnych dla danych lokalizacji przez modele uczenia maszynowego);

g) analizy przestrzenne i ocena wpływu środowiskowego (zautomatyzowany przegląd danych GIS i ograniczeń środowiskowych w celu doboru najkorzystniejszej lokalizacji);

h) optymalizacja rozmieszczenia turbin w obrębie farmy wiatrowej (symulacje uwzględniające efekt cienia aerodynamicznego przy wzajemnym oddziaływaniu turbin).

W zakresie fazy eksploatacyjnej, literatura opisuje obszary takie jak [11]:

a) prognozowanie produkcji energii (przetwarzanie danych pogodowych przez uczenie maszynowe);

b) optymalizacja ustawienia turbiny (zautomatyzowana regulacja łopat i gondoli w czasie rzeczywistym, zwiększająca sprawność nawet do 20% [14]);

c) stabilizacja napięcia wyjściowego (wykorzystanie inteligentnych sterowników w zmiennych warunkach podczas generowania energii);

d) zdalne monitorowanie i zarządzanie farmą (analizy danych z czujników, pozwalające na szybką reakcję bez konieczności ingerencji serwisantów);

e) unikanie kolizji z ptakami i nietoperzami (przewidywanie trajektorii lotu ptaków i aktywacja środków zapobiegawczych);

f) integracja z inteligentnymi sieciami energetycznymi (przewidywanie i zapobieganie niestabilności dostaw energii do sieci);

g) identyfikacja wczesnych oznaki awarii (optymalizacja harmonogramów konserwacji);

h) wykrywanie uszkodzeń komponentów (analizy danych z czujników i analizy wizualne z wykorzystaniem dronów, umożliwiające detekcję uszkodzeń łopat i innych elementów turbiny).

Perspektywy dla zastosowania AI w recyklingu łopat

Obecnie narzędzia sztucznej inteligencji wspierające procesy recyklingu łopat turbin wiatrowych są znacznie mniej rozwinięte niż te stosowane na etapie projektowania i eksploatacji, jednak ich popularyzacja wydaje się nieunikniona. AI może odegrać istotną rolę w fazie końca życia turbin, m.in. w zakresie planowania optymalnego ich demontażu, przestrzennej analizy lokalizacji, w których może zaistnieć potrzeba utworzenia odpowiedniej infrastruktury związanej z obróbką zdemontowanych elementów oraz oceny stanu technicznego zużytych komponentów. Sztuczna inteligencja może podejmować decyzje ułatwiające proces recyklingu, dokonując analiz materiałowych i optymalizując procesy obróbki mechanicznej elementów o skomplikowanej geometrii, a także automatyzując proces sortowania wyodrębnionych materiałów z wykorzystaniem narzędzi wizualnych [11].

Proces recyklingu łopat turbin wiatrowych jest znacznie utrudniony przez ich złożoną strukturę materiałową, obejmującą m.in. kompozyty na bazie żywic termoutwardzalnych, włókna szklane lub węglowe, a także dużą zmienność rozmiarów i konstrukcji, która może być nieprzewidywalna ze względu na różnorodność dostępnych modelów turbin i konstrukcji stosowanych przez ich producentów. W wielu przypadkach brakuje dokładnych danych dotyczących geometrii i składu łopat, co utrudnia optymalne przeprowadzenie recyklingu [15], [4]. W tym kontekście sztuczna inteligencja może wspierać proces identyfikacji materiałowej na podstawie dostępnych danych eksploatacyjnych, zdjęć lub analiz fizycznych, np. z wykorzystaniem uczenia maszynowego do klasyfikacji typu materiału. AI może także pomagać w szacowaniu parametrów nieudokumentowanych komponentów, ułatwiając dobór optymalnej metody utylizacji, np. obróbki mechanicznej, pirolizy czy solwolizy. Dodatkowo, systemy oparte na AI są zdolne do integracji danych z różnych źródeł, by tworzyć bazę wiedzy na temat konstrukcji łopat, wspomagając recykling na większą skalę.

Ponadto literatura wskazuje następujące obszary związane z optymalizacją recyklingu, w których AI może odegrać istotną rolę w przyszłości [16], [11]:

a) odzysk materiałów podczas recyklingu (identyfikacja i sortowanie materiałów z wycofanych turbin);

b) alokacja zasobów (optymalizacja przydziału zasobów, takich jak personel, sprzęt i materiały wykorzystywane w procesach końcowej fazy cyklu życia);

c) ograniczanie ryzyka (identyfikacja zagrożeń związanych z wyzwaniami logistycznymi).

Zintegrowane narzędzia GIS-AI do planowania lokalizacji infrastruktury EoL

Wzrost liczby farm wiatrowych, uwarunkowany potencjałem wietrznym, dostępnością infrastruktury przesyłowej i uwarunkowaniami społecznymi, prowadzi do ich silnego zróżnicowania przestrzennego. W związku z tym, w perspektywie końca cyklu życia turbin, konieczne staje się optymalne zaplanowanie logistyki demontażu oraz efektywnego rozmieszczenia punktów czasowego magazynowania i obróbki zdemontowanych komponentów. W tym kontekście rośnie znaczenie narzędzi integrujących sztuczną inteligencję z systemami informacji geograficznej (GIS).

Przegląd wyselekcjonowanych 48 analiz z lat 2006–2021, odnoszących się do problematyki procesów decyzyjnych w lokalizowaniu składowisk odpadów i integracji programów GIS z narzędziami AI na przykładzie m.in. Iranu i Turcji dokonany przez zespół z Uniwersytetu Sri Lanki w Sabargamuwie przedstawia, że w przedmiotowych badaniach najczęściej wykorzystuje się oprogramowanie ArcGIS (48%) i IDRISI (platformę do zaawansowanych analiz przestrzennych – 23%), a także narzędzia Super Decision (14,58%) i Expert Choice (10%) wspierające decyzje wielokryterialne [17].

W zakresie wstępnego filtrowania lokalizacji dominowały narzędzia decyzyjne oparte na AI. Metoda Fuzzy AHP, łącząca logikę rozmytą z klasyczną analizą hierarchiczną, pojawiła się w 18 pracach, a tradycyjna AHP w 13. Inne podejścia AI, jak Fuzzy Set Theory, Fuzzy Logic, Pythagorean Fuzzy AHP, czy metoda K-średnich, wykorzystywano sporadycznie. Wskazuje to na szczególną przydatność Fuzzy AHP w planowaniu infrastruktury odpadowej w warunkach niepewności danych [17].

Podkreśla się, że skuteczne narzędzia AI muszą uwzględniać zróżnicowane uwarunkowania przestrzenne, które determinują efektywność planowania infrastruktury odpadowej. Czynniki determinujące można podzielić na trzy główne grupy: środowiskowe (pokrycie terenu, ukształtowanie terenu, odległość od terenów zalewowych, struktura gleb, pokrycie roślinnością), ekonomiczne (m.in. odległość od infrastruktury drogowej i miejsca powstawania odpadów, odległość od istniejących składowisk, wartość gruntu) oraz społeczne (wpływ zdrowotny, gęstość zaludnienia, akceptacja społeczna, walory krajobrazowe, odległość od kopalń, sieci energetycznych i rurociągów) [17].

W zarządzaniu logistyką odpadów pochodzących z turbin wiatrowych kończących swój cykl życia, istotne jest zebranie wejściowych danych przestrzennych, pozwalających przewidywać perspektywę powstających odpadów w konkretnych regionach. Dane powinny obejmować lokalizacje instalacji, szczegółowe dane techniczne dotyczące łopat turbin (takie jak masa, długość, materiały) oraz prognozowane terminy demontażu wynikające z okresu eksploatacji. Taką bazę danych opracowano na przykładzie Irlandii w ramach projektu Re-Wind, integrując różne źródła informacji o farmach wiatrowych, które zostały uzupełnione o dane producentów turbin i analizy techniczne. Baza ta pozwala na szacowanie ilości generowanych odpadów w ujęciu rocznym i geograficznym, dzieląc fazy demontażu na okresy pięcioletnie aż do 2039 roku. Dane te zostały udostępnione za pośrednictwem interaktywnego panelu geograficznego ArcGIS Dashboard, który umożliwia wizualizację i filtrowanie informacji w celu wspomagania decyzji planistycznych, mogąc tym samym stanowić wsparcie dla narzędzi AI [18].

Rys. 3. Mapy zagęszczenia materiałów odpadowych łopat turbin wiatrowych w Irlandii: mapa z liczbą wszystkich elektrowni wiatrowych w Irlandii (A), mapy zagęszczenia materiałów wycofywanych turbin w wybranych latach – do 2024 r. (B), 2025-2029 r. (C), 2030-2034 r. (D), 2035-2039 r. (E) [18]

W zakresie planistyki wskazuje się również na przyszłe zastosowania AI w analizie obrazów satelitarnych i dronowych, a także do optymalizacji układu i projektowania obiektów pod kątem minimalizacji wpływu na środowisko. Zakłada się, że sztuczna inteligencja będzie wspierać monitoring w czasie rzeczywistym (np. pod kątem emisji gazów czy zmian w jakości wód gruntowych) oraz istotnie rozwinie się pod kątem optymalizacji systemów wspomagania decyzji [17].

Segregacja odpadów z wykorzystaniem uczenia głębokiego: ConvoWaste

Wdrożenie zautomatyzowanych technologii rozpoznawania i sortowania odpadów może odegrać rolę w usprawnieniu procesów recyklingu, zwłaszcza na etapie wstępnej obróbki i rozdrabniania. Ma to istotne znaczenie w przypadku odpadów złożonych z wielotworzywowych materiałów kompozytowych, których ręczna segregacja jest czasochłonna i mało efektywna.

Nazwa ConvoWaste odnosi się do nowatorskiego systemu segregacji zmieszanych odpadów komunalnych na podstawie obrazu z kamery. ConvoWaste został wytrenowany na 14 400 obrazach odpowiadającym 6 kategoriom odpadów: plastikowi, szkłu, odpadom medycznym, metalowi, odpadom organicznym oraz elektroodpadom, które zostały odpowiednio opisane. System rozpoznawania odpadów zakodował w pamięci wzory odpowiednich kategorii. Po zakończeniu treningu i wdrożeniu do użytku, maszyna oparta na rozwiązaniu ConvoWaste przyjmuje za pomocą taśmociągu mieszankę odpadów, segregując je do odpowiednich zbiorników poprzez aktywację odpowiednich serwomechanizmów [19].

Rys. 4. Schemat działania systemu sortowania odpadów [19]

ConvoWaste jest autonomicznym systemem zintegrowanym z podsystemami odpowiedzialnymi zarówno za dostarczenie odpadów, jak i za końcową segregację, gdzie wszystko jest sterowane za pomocą algorytmów AI opartych na maszynowym uczeniu. System ten odznacza się relatywnie wysoką trafnością w rozpoznawaniu materiałów oraz stosunkowo krótkim czasem oceny.

Tab. 1. Trafność oraz czas oceny każdej z kategorii odpadów [19].

Wskazane rozwiązanie stanowi samouczącą się siecią neuronową, co oznacza, że wraz z kontynuacją swojej pracy, system usprawnia swój algorytm oraz metody selekcjonowania odpadów. Po względnie krótkim okresie pracy był on w stanie przewidywać skład odpadów poprawnie w 98,3% przypadków, pozwalając przy tym na dokładne wyselekcjonowanie odpadów metalicznych w 99,99%. Jednakże, jak każda maszyna samoucząca się, ConvoWaste może wymagać okresowych przeglądów i resetów niektórych części algorytmu, gdyż systemy samouczące są podatne na przyswajanie danych, które szkodzą efektywności algorytmu, a w niektórych przypadkach mogą obniżyć trafność lub wydłużyć czas oceny [19].

Po odpowiednim przeskalowaniu i dostosowaniu do specyfiki materiałów występujących w elementach turbin wiatrowych – włókien GFRP, CFRP, żywic, pianek i bals – rozwiązania takie jak ConvoWaste mogłyby zostać zaadaptowane do automatycznej klasyfikacji rozdrobnionych frakcji odpadów z łopat turbin wiatrowych. Wykorzystanie głębokiego uczenia maszynowego umożliwiłoby dokładne rozróżnianie tworzyw o zróżnicowanych właściwościach fizykochemicznych, co zwiększałoby efektywność dalszego przetwarzania posortowanych materiałów.

Podsumowanie

Przeprowadzone analizy pokazują, że wzrost perspektyw dla zastosowania sztucznej inteligencji w poeksploatacyjnym sektorze energetyki odnawialnej jest nieunikniony. AI może wspierać zarówno diagnozy użytkowanych elementów, planowanie infrastruktury EoL, jak i automatyzację procesów rozpoznawania i sortowania materiałów, co zwiększa efektywność odzysku, czego przykładem jest system ConvoWaste, który ilustruje potencjał wykorzystania głębokiego uczenia maszynowego w praktyce i otwiera perspektywy dla jego adaptacji w bardziej złożonych strumieniach odpadów kompozytowych.

Bibliografia

[1] L. C. Bank, J.-F. Chen, R. Gentry, P. Leahy, A. Nagle, B. Tasistro-Hart i et al., „Re-wind design catalog 2nd edition,” pp. 1-28, 2022.
[2] P. Liu i C. Y. Barlow, „Wind turbine blade waste in 2050” Waste Manage, 62, pp. 229- 240, Luty 2017.
[3] G. Lichtenegger, A. A. Rentizelas, N. Trivyza i S. Siegl, „Offshore and onshore wind turbine blade waste material forecast at a regional level in Europe until 2050” Waste management, vol. 106, pp. 120-131, 2020.
[4] P. Deeney, P. G. Leahy, K. Campbell, C. Ducourtleux, G. Mullally i N. P. Dunphy, „Endof- life wind turbine blades and paths to a circular economy” Renewable and Sustainable Energy Reviews, vol. 212, kwiecień 2025.
[5] „Dyrektywa 2008/98/EC Parlamentu Europejskiego i Rady” 2008.
[6] C. Collier i T. Ashwill, „Materials and design methods look for the 100-m blade” Windpower Engineering, Maj 2009.
[7] A. B. Simmons i S. G. Chappel, „Artificial intelligence - definition and practice” Journal of Oceanic Engineering, 13(2), pp. 14-42, 1988.
[8] J. McCarthy, M. L. Minsky, N. Rochester i C. E. Shannon, „A Proposal for the Dattmouth Summer Research Project on Artificial Intelligence” 31 czerwca 1955.
[9] „OECD Digital Economy Papers. Scoping the OECD AI Principles: Deliberations of the Expert Group on Artificial Intelligence at the OED (AIGO)”, No. 291, listopad 2019.
[10] M. Białko, „Sztuczna inteligencja i elementy hybrydowych systemów ekspertowych” 2005.
[11] M. Bošnjaković, M. Martinović i K. Dokić, „Application of Artificial Intelligence in Wind Power Systems” applied sciences, 2025.
[12] S. Sahibzada, S. Nasir, F. S. Malik i S. K. Lodhi, „AI-Driven Aerodynamic Design Optimization for High-Efficiency Wind Turbines: Enhancing Flow Dynamics and Maximizing Energy Output” Eur. J. Sci. Innov. Technol., pp. 47-53, 2024.
[13] E. Vougioukas, A. Stamos, C. Pappa i N. D. Lagaros, „Enhancing Onshore Wind Tower Foundations: A Comprehensive Automated Design Approach” CivilEng, pp. 736-759, 2024.
[14] „Datategy Next-Gen Wind Farms: Wind Turbine Optimization with AI. Available,” [Online]. Available: https://www.datategy.net/2024/01/17 /wind-turbine-optimizationwith- ai/ . [Data uzyskania dostępu: 16 sierpień 2025].
[15] WindEurope, „Accelerating wind turbine blade circularity,” Tech. Rep., Maj 2020.
[16] S. K. Raju, M. Periyasamy, A. A. Alhussan, S. Kannan, S. Raghavendran i E.-S. M. Elkenawy, „Machine Learning Boosts Wind Turbine Efficiency with Smart Failure Detection and Strategic Placement,” Sci. Rep., 2025.
[17] B. Kuhaneswaran, G. Chamanee i B. T. G. S. Kumara, „A comprehensive review on the integration of geographic information systems and artificial intelligence for landfill site selection: A systematic mapping perspective,” Waste Management & Research, tom 43, nr 2, 2024.
[18] E. L. Delaney, J. M. McKinley, W. Megarry, C. Graham, P. G. Leahy, L. C. Bank i R. C. Gentry, „An integrated geospatial approach for repurposing wind turbine blades,” Resources, Conservation and Recycling, 170, 2021.
[19] M. S. Nafiz, S. S. Das, M. K. Morol, A. A. Juabir i D. Nandi, „ConvoWaste: An Automatic Waste Segregation Machine Using Deep Learning,” w 3rd International Conference on Robotics, Electrical and Signal Processing Techniques, 2023.