[論文レビュー] Data-driven quantification of model-form uncertainty in Reynolds-averaged simulations of wind farms

Ali Eidi, Navid Zehtabiyan-Rezaie+3 more|arXiv (Cornell University)|May 27, 2022

Wind and Air Flow Studies参考文献 66被引用数 30

ひとこと要約

本論文は、風力発電所のレイノルズ平均ナビエストークス（RANS）シミュレーションにおけるモデル形式の不確実性を定量化するためのデータ駆動型機械学習フレームワークを提案する。このフレームワークは、レイノルズ応力異方性テンソルへの最適な摂動を予測することで、不確実性を評価する。極端勾配ブースティング（XGBoost）を用い、大渦シミュレーション（LES）データで学習させた手法により、ドメイン全体にわたり摂動の方向と大きさを適応的に推定する。その結果、一様でデータフリーな摂動と比較して、流れの速度、乱流強度、出力損失の予測精度が顕著に向上した。

ABSTRACT

Computational fluid dynamics using the Reynolds-averaged Navier-Stokes (RANS) remains the most cost-effective approach to study wake flows and power losses in wind farms. The underlying assumptions associated with turbulence closures are one of the biggest sources of errors and uncertainties in the model predictions. This work aims to quantify model-form uncertainties in RANS simulations of wind farms at high Reynolds numbers under neutrally stratified conditions by perturbing the Reynolds stress tensor through a data-driven machine-learning technique. To this end, a two-step feature-selection method is applied to determine key features of the model. Then, the extreme gradient boosting algorithm is validated and employed to predict the perturbation amount and direction of the modeled Reynolds stress toward the limiting states of turbulence on the barycentric map. This procedure leads to a more accurate representation of the Reynolds stress anisotropy. The data-driven model is trained on high-fidelity data obtained from large-eddy simulation of a specific wind farm, and it is tested on two other (unseen) wind farms with distinct layouts to analyze its performance in cases with different turbine spacing and partial wake. The results indicate that, unlike the data-free approach in which a uniform and constant perturbation amount is applied to the entire computational domain, the proposed framework yields an optimal estimation of the uncertainty bounds for the RANS-predicted quantities of interest, including the wake velocity, turbulence intensity, and power losses in wind farms.

研究の動機と目的

• 風力発電所のシミュレーションにおけるRANSベースの不確実性評価（UQ）の重要な制限要因である一様でデータフリーな摂動の問題を解決すること。
• 高精度なLESデータから学習する、空間的に変化する最適なレイノルズ応力異方性テンソルへの摂動を学ぶデータ駆動型アプローチを開発すること。
• 流れの速度、乱流強度、出力損失といった重要な関心事項のRANS予測精度を向上させること。
• 二段階の特徴選択と検証済みXGBoostモデルを用いることで、機械学習ベースのUQの汎用性と頑健性を高めること。
• 異なるタービン間隔と流れの干渉を有するさまざまな風力発電所レイアウトに、フレームワークの転送可能性を示すこと。

提案手法

• 摂動を予測するための、レイノルズ応力テンソルおよびひずみ率テンソルからの最も影響力のある流れ特徴を同定するために、二段階の特徴選択手法を適用する。
• 極端勾配ブースティング（XGBoost）アルゴリズムを、乱流異方性の重心マップにおける固有値摂動の大きさと方向を予測するように訓練する。
• 学習データは、中性層流および高レイノルズ数条件下での特定の風力発電所レイアウトの高精度な大渦シミュレーション（LES）から得られる。
• 局所的な流れ特徴に基づき、乱流の極限状態（例：軸対称、平面、等方的）への摂動を予測する。
• 異なるタービン間隔と流れ発達を有する未観測の二つの風力発電所レイアウトでフレームワークを検証し、汎用性のテストを実施する。
• RANSモデルのレイノルズ応力テンソルに固有値の修正を施すことで摂動を適用し、元のRANSソルバーを変更せずにモデルの忠実性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 データ駆動型機械学習モデルは、風力発電所のRANSシミュレーションにおいて、空間的に変化する最適なレイノルズ応力異方性テンソルへの摂動を学習できるか？
• RQ2 提案されたデータ駆動型UQフレームワークの性能は、流れの特性を予測する際、従来のデータフリーで一様な摂動アプローチと比較してどのように異なるか？
• RQ3 学習済みXGBoostモデルは、異なるタービン間隔と流れの干渉を有する未観測の風力発電所レイアウトにどの程度一般化できるか？
• RQ4 レイノルズ応力テンソルにおける必要な摂動の大きさと方向を最も効果的に予測する流れ特徴は何か？
• RQ5 提案されたフレームワークは、流れの速度欠損や出力損失といった重要な関心事項について、不確実性の範囲を縮小しつつ高い精度を維持できるか？

主な発見

• データ駆動型XGBoostモデルは、レイノルズ応力異方性への空間的に変化する摂動を効果的に学習し、流れの速度、乱流強度、出力損失の予測において、一様でデータフリーな摂動を上回る性能を示した。
• 二段階の特徴選択により、ひずみ率テンソルの不変量やレイノルズ応力成分といった、摂動に最も予測力のある流れ特徴が同定された。
• 未観測の風力発電所レイアウトにおいて、出力損失の予測で高精度なLES結果のカバー率が向上し、強力な一般化能力を示した。
• 不確実性の範囲を縮小しつつ高い精度を維持したため、定数摂動戦略と比較して、忠実性と計算コストのより最適なバランスが図れた。
• 部分的で複雑な流れ干渉を含む多様な流れ配置において、非一様な乱流異方性を効果的に捉えることができた。
• 結果から、特に複雑な流れ領域において、適応的でデータ駆動型の摂動が、正確なRANSベースの風力発電所シミュレーションに不可欠であることが確認された。