Sensitivity Analysis of Wind Turbine Broadband Noise Estimation to Semi-Empirical Models Parameters
Notice bibliographique
Résumé
The continuous increase of energy demand and the rising concerns on climate change, are pushing the European Union decarbonization strategies and transition toward renewable based energy systems, with wind energy playing a leading role. It is therefore necessary to have a better understanding of how wind turbines (WTs) impact on their surroundings, including their noise emissions. Among the different methods to compute noise emissions of WTs, semi-empirical models are a valid choice to have a-priori estimations of noise spectra and sound pressure levels. These models are based on correlation laws for different physical mechanisms that contribute to noise generation. Popular models for dominant noise sources include the Amiet approach for inflow turbulence noise and the Lowson model for turbulent boundary layer-trailing edge noise. Determining the parameters involved in these models can be challenging, potentially leading to significant errors in noise prediction. In this study, we conducted a novel sensitivity analysis of the models by varying different parameters such as turbulent intensity and dissipation, boundary layer thickness, and temperature. The selected test case is the reference multi-MW horizontal axis wind turbine Neg-Micon 80. The results of the multilevel-multivariate analysis, involving 63,360 combinations of the input parameters, clearly demonstrate a significant dependence of these models on atmospheric turbulence parameters. Furthermore, these models exhibit an higher sensitivity to input parameters at lower frequencies of the noise spectrum, which are generally associated with higher values of sound pressure level.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».