基于RANS(雷诺平均Nav-斯托克斯)模拟与数据驱动前馈卷积神经网络,预测复杂林区地形中的风速

《Energy and AI》:Predicting wind speeds in complex forested terrain using Reynolds-Averaged Navier–Stokes surrogates and data-driven feedforward convolutional neural networks

【字体: 大 中 小 】 时间:2026年04月06日 来源:Energy and AI 9.6

编辑推荐:

  在复杂地形和森林覆盖区域,传统的计算流体力学(CFD)模拟虽然精度高,但计算成本巨大,难以进行大规模参数研究。为突破此瓶颈,Lakdawala、Nadeem和Kassem开展了一项主题为“利用RANS代理模型与数据驱动前馈卷积神经网络(FFCNN)预测复杂林区地形风速”的研究。他们基于OpenFOAM的FIWIND工具链生成的高保真CFD-RANS风场数据,训练了纯粹的、数据驱动的神经网络代理模型。结果表明,该模型在未见条件下能准确复现垂直风速廓线(误差在10%以内),并能以99%的置信度预测轮毂高度水平风场(相对误差在15%以内)。这项研究为实现快速、高效且保留CFD级精度的风资源评估提供了一种有前景的新途径,对风电场的规划与设计具有重要意义。

  
在风能开发领域,准确预测复杂地形上的风行为是项目成败的关键。陡峭的山脉、起伏的丘陵,尤其是大片茂密的森林,都会对风速、风向和湍流产生复杂的影响,直接关系到风力发电机的发电效率、运行安全和整体寿命。为了进行精准的选址评估,工程师们通常依赖高保真度的计算流体动力学(CFD)模拟。这类模拟,特别是基于雷诺平均纳维-斯托克斯方程(Reynolds-Averaged Navier-Stokes, RANS)的模型,能够精细解析地形、森林和大气条件对局部流动的影响,提供风速分布、湍流水平和尾流效应等关键信息,是当前复杂地形风资源评估的行业金标准。然而,这把“利剑”也有其“阿喀琉斯之踵”——极高的计算成本。一次高分辨率CFD模拟往往需要耗费数小时甚至数天的计算时间,而当需要考察不同森林高度、多种风向组合的成百上千种情景时,计算量将变得难以承受。这种计算瓶颈迫使行业在精度和效率之间做出妥协,要么减少模拟情景,要么使用精度较低的简化模型,从而可能引入评估风险。那么,能否找到一种两全其美的方案:既能保留CFD级别的高精度,又能像“闪电”一样快速给出预测?
由Z. Lakdawala、M.W. Nadeem和H. Kassem发表在《Energy and AI》上的这项研究,正是对这一挑战的有力回应。他们提出并验证了一种基于纯粹数据驱动的“代理模型”新思路。其核心思想颇具智慧:与其每次都费力地从头求解复杂的物理方程,不如让机器学习模型“学习”已有CFD模拟的“经验”。研究人员利用基于OpenFOAM的FIWIND工具链,对一个位于德国巴登-符腾堡州的复杂林区地形进行了大量CFD-RANS模拟,生成了包含5种不同森林高度(5至25米)和36个风向(0°至355°)组合的共计180个高分辨率三维风场数据。这些数据构成了训练人工智能的“教材”。随后,他们设计了一种前馈卷积神经网络(Feedforward Convolutional Neural Network, FFCNN)作为代理模型。模型的输入是位置坐标、森林高度和风向,输出则是该位置的风速。通过训练,神经网络学会了从输入条件到输出风场之间复杂的映射关系。一旦训练完成,这个代理模型就能在毫秒级时间内,对任何新的森林高度和风向组合给出风速预测,其速度相比原始的CFD模拟有数量级的提升。
本研究主要运用了以下几个关键技术方法:首先,利用基于OpenFOAM开发的FIWIND工具链进行高保真度CFD-RANS模拟,生成覆盖多种森林高度与风向组合的训练与测试数据集,其中引入了k-?湍流闭合模型并结合了Sanz的森林冠层模型来刻画植被效应。其次,构建并优化了前馈卷积神经网络(FFCNN)架构,通过系统性的架构搜索(如调整层数、神经元数量、激活函数)确定了最优模型,并使用均方误差(MSE)作为损失函数,结合Adam和L-BFGS优化器进行模型训练。最后,设计了多种数据划分策略(如按情景划分、按空间点随机划分、多尺度数据混合)来全面评估代理模型在不同任务(如插值、空间填充、多尺度预测)下的泛化能力和鲁棒性。
研究结果部分通过多个维度展示了代理模型的性能:
4.1. 用于垂直风速廓线的RANS-AI代理模型
研究人员首先针对垂直风速廓线训练代理模型。他们将特定森林高度(如15米或25米)的数据完全留出作为测试集,用其余数据训练网络。最优的网络架构包含9个隐藏层,每层50个神经元,使用双曲正切(tanh)激活函数。结果显示,对于未见过的森林高度条件,代理模型能够准确地复现垂直风速廓线,其预测与CFD结果高度吻合,误差量级在O(10-1)。与传统的线性、二次和三次插值方法相比,神经网络在捕捉风速随高度的非线性变化方面表现更优,展示了其作为高效代理模型的潜力。
4.2. 用于轮毂高度水平风速切片的RANS-AI代理模型
这部分研究将代理模型的应用扩展到更复杂的二维水平风场预测。研究人员测试了三种不同的数据策略:
4.2.1. 作为不同风向和森林高度之间插值器的AI代理
此策略将特定风向和森林高度的完整情景数据整体留出作为测试。训练好的代理模型在预测这些未见情景时,能够恢复整体的流动动态,预测的风速场相比CFD结果更为平滑。相对误差的实证分布接近零均值,标准差约为0.055,绝大多数预测误差在15%以内。
4.2.2. 用于给定情景内空间位置填充的AI代理
此策略在单个情景内随机将80%的空间点用于训练,20%用于测试,模拟空间数据填充任务。结果表明,代理模型能够很好地捕捉潜在风场,在大部分空间位置与CFD结果吻合良好。误差同样主要集中在流动梯度剧烈的区域,但整体仍在可接受范围内。
4.2.3. 用于在多尺度数据集上训练网络的AI代理
为了探索代理模型处理多分辨率数据的能力,研究人员混合了全域的粗分辨率风场数据和局部窗口内的高分辨率风场数据进行训练。结果显示,仅用粗分辨率数据训练的模型无法捕捉细尺度特征;而使用混合多尺度数据训练的单一网络,不仅在拥有高分辨率数据的窗口内预测更准,还能将学到的细尺度信息推广到全域其他区域,其预测误差分布更集中,均值更接近零,表现优于独立训练的分辨率特定网络。
4.3. 讨论
对结果的综合分析表明,代理模型的预测精度主要受网络架构(层数和神经元数)控制,而激活函数(tanh或ReLU)的选择影响甚微。单尺度代理模型能在99%的置信水平下将相对误差控制在15%以内,显示了其在实际应用中的可靠性。多尺度模型虽然误差略高(约25%),但提供了更好的泛化能力。研究也指出,当前的损失函数未包含物理约束,且输入特征仅包含风向和森林高度,未来通过引入物理约束和更多地形特征,有望进一步提升模型在复杂或陡峭地形中的适应性和鲁棒性。
归纳研究结论和讨论,本研究成功证明,简单的、纯粹数据驱动的FFCNN可以有效作为RANS模拟的高效代理模型,用于复杂林区地形的风资源评估。这些代理模型展现出强大的外推能力,能准确预测未见条件下的垂直和水平风场,且其性能对训练数据的具体划分方式不敏感,更具实用性。特别重要的是,多尺度训练策略的引入表明,结合粗细分辨率数据可以训练出在全局范围内表现更优的代理模型,这为未来整合多精度模拟数据(如RANS与LES)来构建更稳健的模型奠定了基础。尽管当前模型在强尾流或分离流区域存在过度平滑的倾向,且未包含显式物理约束,但其在单一物理来源(RANS)数据上表现稳定。从工程应用角度看,此类AI驱动的RANS代理模型有望大幅降低风资源评估的计算成本,并可集成到CFD工作流中,为RANS或LES求解器提供高质量的初值场,从而加速收敛。总之,该研究为开发快速、高分辨率、站点特异性的风建模工具开辟了新途径,有助于推动风电场设计流程向更高效、更数据驱动的方向发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号