[論文レビュー] End-to-end Wind Turbine Wake Modelling with Deep Graph Representation Learning

Siyi Li, Mingrui Zhang+1 more|arXiv (Cornell University)|Nov 24, 2022

Wind Energy Research and Development被引用数 6

ひとこと要約

本論文は、非構造格子のCFDメッシュ上で直接3次元風力タービンの流れをモデル化するグラフニューラルネットワーク（GraphSAGE+JK+Res）を提案し、予測された流入条件およびヨー角に対して、速度予測で99.71%、乱流運動エネルギー予測で98.17%の精度を達成した。インフェレンス時間は15ミリ秒未塔。

ABSTRACT

Wind turbine wake modelling is of crucial importance to accurate resource assessment, to layout optimisation, and to the operational control of wind farms. This work proposes a surrogate model for the representation of wind turbine wakes based on a state-of-the-art graph representation learning method termed a graph neural network. The proposed end-to-end deep learning model operates directly on unstructured meshes and has been validated against high-fidelity data, demonstrating its ability to rapidly make accurate 3D flow field predictions for various inlet conditions and turbine yaw angles. The specific graph neural network model employed here is shown to generalise well to unseen data and is less sensitive to over-smoothing compared to common graph neural networks. A case study based upon a real world wind farm further demonstrates the capability of the proposed approach to predict farm scale power generation. Moreover, the proposed graph neural network framework is flexible and highly generic and as formulated here can be applied to any steady state computational fluid dynamics simulations on unstructured meshes.

研究の動機と目的

• 高精度を維持しながら、高精度CFDシミュレーションと比較して計算コストを大幅に削減するデータ駆動型補代替モデルを、風力タービンの流れ予測に開発すること。
• 従来の均一グリッド深層学習モデルの制限を克服し、多スケールの流れ特徴に不可欠な空間分解能の変動を保つ非構造格子CFDメッシュ上で直接処理すること。
• 大規模3次元CFDデータ（数十万の頂点）に適用した際の深層GNNにおける過剰スムージングを、ジャンピング・ナレッジや残差接続といったアーキテクチャ的革新によって緩和すること。
• 実際の風力発電所のレイアウトを用いて、測定された出力データと高精度CFDシミュレーションを用いて、モデルの一般化性能と精度を検証すること。

提案手法

• 過剰スムージングの緩和を目的として、残差接続およびスイープ接続を組み合わせた深層GraphSAGEアーキテクチャ（GraphSAGE+JK+Res）を採用し、大規模非構造格子上での深層GNNの性能を向上させた。
• 高精度RANSベースの流れデータは、OpenFOAMを用いた一般化されたアクチュエータディスク（GAD）モデルを用いて生成され、ノルウェー工科大学（NTNU）の風洞実験データと照合された。
• OpenFOAMの非構造格子メッシュは、メッシュの頂点をノードとし、幾何的接続性をエッジとするグラフデータ構造に変換され、直接GNN処理が可能になった。
• モデルは、異なる流入風速、乱流強度、タービンヨー角を含む3次元流れ場（速度、乱流運動エネルギー）を、エンドツーエンドで学習した。
• 発電所スケールの出力予測は、個々のタービンの流れ場予測を「二乗和（SOS）」法による流れ場重ね合わせにより行なった。
• モデルのインフェレンスは極めて効率的であり、未学習のデータに対して1回のシミュレーションで15ミリ秒未塔の予測時間を達成した。

実験結果

リサーチクエスチョン

• RQ1 高精度RANS CFDデータで学習したグラフニューラルネットワークは、多様な流入条件およびタービンヨー角に対し、3次元風力タービンの流れ場を正確に予測できるか？
• RQ2 提案されたGraphSAGE+JK+Resアーキテクチャは、大規模非構造格子CFDメッシュに適用した際、深層GNNにおける過剰スムージングをどの程度緩和できるか？
• RQ3 GNN補代替モデルは、未学習データおよび実際の風力発電所レイアウトにどの程度一般化できるか、特に集団出力予測において。
• RQ4 実際のオフショア風力発電所の事例研究において、GNNモデルの性能は高精度CFDシミュレーションおよび測定データと比較してどうなるか？

主な発見

• モデルは、異なる流入条件およびヨー角の下で未学習データに対して、風速予測で中央値99.71%、乱流運動エネルギー予測で98.17%の高い予測精度を達成した。
• モデルは1回の予測で15ミリ秒未塔の高速インフェレンスを実現し、リアルタイム制御や最適化に適した性能を示した。
• モデルはリルンダントオフショア風力発電所の全行において出力予測を正確に再現し、CFDシミュレーションおよび実際の測定データと強く一致した。
• 二乗和（SOS）法による流れ場重ね合わせが、線形法や最大欠損法を上回り、発電所スケールの出力予測で最も高い精度を示した。
• 流れ場重ね合わせの制限により、下流のタービンでわずかな過小評価が見られたが、モデルは複雑な流れ特徴（例：D列およびE列のタービン間のギャップ）を高い忠実度で捉えた。
• 本フレームワークは非常に汎用的であり、非構造格子上での定常状態CFDシミュレーションに限定されず、風力エネルギー分野に限らず応用可能である。