基于物理信息神经网络的风流场数据同化框架
流体动力学
2025-02-13 v2
摘要
各类测量技术，如激光雷达（LiDAR）设备、风速计和风向标，在风能领域被广泛用于表征入流。然而，这些方法通常仅在局部风场的有限点收集数据，只能捕捉风电场址风场特征的一小部分，从而阻碍了精细的风场分析。本研究引入一个利用物理信息神经网络同化多种传感器数据类型的框架。这包括视线风速、速度大小与方向、速度分量以及压力。此外，参数化的纳维-斯托克斯方程被整合为物理约束，确保神经网络能准确表征大气流动动力学。该框架通过在网络输出中包含人工涡粘性来考虑大气边界层流的湍流特性，增强了模型学习和精确描绘大尺度流动结构的能力。重建的流场和有效风速与实际数据吻合良好。此外，采用迁移学习策略用于预训练物理信息神经网络的在线部署，其所需时间少于实际物理流动的时间。这一能力使该框架能够基于实时数据在线重建风流场。在演示案例中，在线重建的有效风速与风电场址的实际值之间的最大误差仅为3.7%。所提出的数据同化框架为利用各种测量数据重建时空风流场提供了一个通用工具。此外，它为实时测量数据的在线同化提供了一种可行的方法。为促进风能的利用，我们框架的源代码已开放获取。
引用
@article{arxiv.2401.17001,
title = {A Framework of Data Assimilation for Wind Flow Fields by Physics-informed Neural Networks},
author = {Chang Yan and Shengfeng Xu and Zhenxu Sun and Thorsten Lutz and Dilong Guo and Guowei Yang},
journal= {arXiv preprint arXiv:2401.17001},
year = {2025}
}