[논문 리뷰] End-to-end Wind Turbine Wake Modelling with Deep Graph Representation Learning

Siyi Li, Mingrui Zhang외 1명|arXiv (Cornell University)|2022. 11. 24.

Wind Energy Research and Development인용 수 6

한 줄 요약

이 논문은 비정형 CFD 격자에 직접적으로 3D 풍력 터빈 후류 유동을 모델링하는 그래프 신경망(GNN, GraphSAGE+JK+Res)을 제안하며, 예측된 입구 조건과 야워 각도에 대해 속도 예측 정확도가 99.71%, 난류 운동 에너지 예측 정확도가 98.17%에 도달했고, 예측 시간은 15ms 미만을 기록함.

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.

연구 동기 및 목표

• 고정밀 CFD 시뮬레이션에 비해 계산 비용을 크게 줄이며 높은 정확도를 유지하는 데이터 기반 대체 모델을 개발하는 것.
• 기존 균일 격자 기반 딥 러닝 모델의 한계를 극복하기 위해 비정형 CFD 격자에 직접 작동함으로써 다중 척도 유동 특징에 필수적인 공간 해상도 변화를 유지하는 것.
• 수십만 개의 정점을 포함하는 대규모 3D CFD 데이터에 적용했을 때 깊은 GNN에서 발생하는 과도한 평균화 문제를 점프 지식(Jump-Start) 및 잔차 연결 기법을 통해 해결하기 위한 아키텍처 혁신을 수행하는 것.
• 실제 풍력 발전소 레이아웃을 대상으로 측정된 발전량 데이터와 고정밀 CFD 시뮬레이션을 활용하여 모델의 일반화 능력과 정확도를 검증하는 것.

제안 방법

• 깊은 GraphSAGE 아키텍처에 잔차 연결 및 스킵 연결을 통합한 GraphSAGE+JK+Res를 활용하여 대규모 비정형 격자에서 깊은 GNN의 과도한 평균화 문제를 완화함.
• 고정밀 RANS 기반 후류 데이터는 OpenFOAM에서 일반화된 액추에이터 디스크(GAD) 모델을 사용해 생성되었으며, NTNU의 풍동 실험 데이터와의 비교를 통해 검증됨.
• OpenFOAM의 비정형 격자를 그래프 데이터 구조로 변환하여 격자 정점은 노드로, 기하학적 연결성은 간선으로 표현함으로써 GNN의 직접 처리가 가능하도록 함.
• 모델은 다양한 입구 풍속, 난류 강도 및 터빈 야워 각도에서의 3D 유동장(속도, 난류 운동 에너지)에 대해 엔드 투 엔드로 훈련됨.
• 농가 규모의 발전량 예측은 개별 터빈 후류 예측을 제곱합(SOS) 후류 중첩 방법을 사용해 중첩하여 수행됨.
• 모델의 추론은 매우 효율적이며, 새로운 데이터에 대해 각 시뮬레이션당 15ms 미만의 시간 내에 예측을 수행함.

실험 결과

연구 질문

• RQ1 고정밀 RANS CFD 데이터로 훈련된 그래프 신경망이 다양한 입구 조건과 터빈 야워 각도에서 3D 풍력 터빈 후류 유동장을 정확하게 예측할 수 있는가?
• RQ2 제안된 GraphSAGE+JK+Res 아키텍처는 대규모 비정형 CFD 격자에 적용했을 때 깊은 GNN에서 발생하는 과도한 평균화 문제를 얼마나 효과적으로 완화하는가?
• RQ3 GNN 대체 모델은 새로운 데이터와 실제 풍력 발전소 레이아웃에 대해 얼마나 일반화될 수 있으며, 특히 총 발전량 예측 능력에서 어떤 정도의 성능을 보이는가?
• RQ4 실제 해상 풍력 발전소 사례 연구에서 GNN 모델의 성능은 고정밀 CFD 시뮬레이션 및 측정 데이터와 비교해 어떻게 평가되는가?

주요 결과

• 모델은 다양한 입구 조건과 야워 각도에서 새로운 데이터에 대해 속도 예측 정확도가 중앙값 기준 99.71%, 난류 운동 에너지 예측 정확도가 98.17%에 도달함.
• 모델은 각 유동장 예측을 15ms 이내로 수행하여 실시간 제어 및 최적화에 적합한 고속 추론 성능을 입증함.
• 모델은 릴란드 해상 풍력 발전소의 모든 행에 걸쳐 발전량을 정확하게 예측하였으며, CFD 시뮬레이션 및 실제 측정 데이터와 높은 일치도를 보임.
• 제곱합(SOS) 후류 중첩 방법이 선형 및 최대 손실 방법보다 더 정확한 농가 규모 발전량 예측을 제공함.
• 후류 중첩의 한계로 인해 하류 터빈에서 약간의 과소 예측이 발생했지만, 모델은 터빈 행 간의 갭(예: D행 및 E행)과 같은 복잡한 유동 특징을 높은 정밀도로 포착함.
• 이 프레임워크는 풍력 에너지 응용 분야에 국한되지 않고, 비정형 격자에 기반한 정적인 CFD 시뮬레이션에 대해 매우 일반화된 응용이 가능함.