Characterization of atmospheric and wind farm turbulence
Notice bibliographique
Résumé
Developing and assessing subgrid-scale models for characterizing atmospheric and wind farm turbulence is one of the key research areas within the wind energy community. This article presents the interaction of atmospheric and wind farm turbulence using scale-adaptive large-eddy simulation. Atmospheric turbulence has been incorporated by employing the stochastic forcing method to linearized Navier–Stokes equations, which interacted with a staggered cluster of utility-scale 41 wind turbines. The effect of atmospheric turbulence on wind turbine wakes was characterized by comparing scale-adaptive large-eddy simulation results with three reference data obtained from three other subgrid-scale models: Smagorinsky model, Deardorff’s one-equation turbulence kinetic energy model, and dynamic Deardorff model. The results suggest that vortex-stretching and strain skewness can accelerate wake recovery because scale-adaptive large-eddy simulation captured more than 90% of the turbulence kinetic energy, outperforming the other three models. The atmospheric turbulence in a wind farm has been characterized by considering mean vertical profiles, wake recovery, turbulence statistics, wavelet energy spectra , and power production. Finally, the interaction between atmospheric turbulence and wind turbines was evaluated through joint probability distribution of the second and the third invariant of velocity gradient and strain rate tensors and that of vortex-stretching and strain skewness. The results highlight the importance of considering vortex-stretching and strain skewness in turbine design, siting decisions, and wind farm layout optimization.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».