风电场雷诺平均模拟中模型形式不确定性的数据驱动量化
流体动力学
2022-08-03 v2
摘要
使用雷诺平均 Navier-Stokes（RANS）方程的计算流体动力学仍是研究风电场尾流与功率损失最具成本效益的方法。湍流闭合的潜在假设是模型预测中误差与不确定性的最大来源之一。本工作旨在通过数据驱动的机器学习技术扰动雷诺应力张量，量化中性层结条件下高雷诺数风电场 RANS 模拟中的模型形式不确定性。为此，采用两步特征选择方法确定模型的关键特征。随后，验证并采用极端梯度提升算法，在重心图上预测建模雷诺应力朝向湍流极限状态的扰动量与方向。该过程能更准确地表征雷诺应力各向异性。数据驱动模型在由特定风电场大涡模拟获得的高保真数据上训练，并在另外两个具有不同布局的（未见过）风电场上测试，以分析其在不同涡轮间距与部分尾流情况下的性能。结果表明，与在整个计算域施加均匀恒定扰动量的无数据方法不同，所提框架对 RANS 预测的兴趣量（包括尾流速度、湍流强度与风电场功率损失）给出了不确定性界的最优估计。
引用
@article{arxiv.2205.14221,
title = {Data-driven quantification of model-form uncertainty in Reynolds-averaged simulations of wind farms},
author = {Ali Eidi and Navid Zehtabiyan-Rezaie and Reza Ghiassi and Xiang Yang and Mahdi Abkar},
journal= {arXiv preprint arXiv:2205.14221},
year = {2022}
}