利用人工智能增强的符号回归发现全风力机尾流的可解释数学表达式
流体动力学
2024-06-04 v1 机器学习
符号计算
应用统计
摘要
全球风电的快速扩张凸显了工程导向的解析尾流模型在风电场设计和运行中的关键意义。这些理论推导的解析尾流模型预测能力有限，尤其是在靠近风轮机的近尾流区域，这是由于假设条件不成立所致。知识发现方法可以通过提取洞察、调整理论假设以及为物理过程开发精确模型来弥合这些差距。在本研究中，我们引入一种遗传符号回归(SR)算法，以发现整个尾流中平均速度亏损的可解释数学表达式，这是一个此前无法获得的洞察。通过将双高斯分布作为领域知识融入SR算法，并设计一个分层方程结构，搜索空间得以缩减，从而高效地找到一个简洁、物理信息丰富且鲁棒的尾流模型。所提出的数学表达式(方程)能够高精度且稳定地预测全尾流区域任意位置的尾流速度亏损。通过实验数据和高保真数值模拟验证了该模型的有效性和实用性。
引用
@article{arxiv.2406.00695,
title = {Discovering an interpretable mathematical expression for a full wind-turbine wake with artificial intelligence enhanced symbolic regression},
author = {Ding Wang and Yuntian Chen and Shiyi Chen},
journal= {arXiv preprint arXiv:2406.00695},
year = {2024}
}