Novel interpretable wake model using Machine Learning based symbolic regression for wind turbines
Notice bibliographique
Résumé
The escalating demand for energy, dwindling fossil fuel reserves, shifting fuel prices, and worries about climate change and pollution have prompted the investigation and assessment of renewable energy sources. Among these, wind power has emerged as a particularly promising candidate. However, due to limited suitable locations, wind turbines are often clustered together, necessitating the study of wake aerodynamics to optimize wind farm performance. Understanding and predicting wake characteristics that includes decreased velocity deficit and increased turbulence intensity are crucial for improving the efficiency of downstream turbines. Traditionally, low-fidelity models were used to predict wake characteristics, but recent advancements in computational fluid dynamics (CFD) have enabled more accurate predictions, albeit at the cost of increased computational time and resources. Machine learning (ML) has proven to be a valuable tool in addressing complex problems in various engineering domains, leading to the development of ML-based wake models that leverage CFD data for rapid predictions. However, these models have been limited by their reliance on a single wind turbine’s CFD results and their lack of generalizability to other turbines with different blade geometries and operating conditions. In response to these limitations, this study presents a novel wake prediction model using the symbolic regression technique. This innovative approach aims to offer precise aerodynamic performance predictions while maintaining simplicity, interpretability, and generalizability across various wind turbine designs. The proposed model holds significant potential for enhancing wind farm performance by accurately predicting wake characteristics and facilitating better decision-making in turbine placement and operation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».