Physics-informed deep convolutional hierarchical encoder-decoder neural network for flow field prediction in wind farms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wind Farm Layout Optimization (WFLO) is a critical step in wind farm design, focusing on determining the optimal placement of turbines to maximize the annual energy production (AEP) of wind farms. Calculating AEP as an objective function in WFLO often relies on computationally expensive computational fluid dynamics (CFD) simulations to calculate the flow field within the farm. In this study, we propose PI-DeepWFLO, a physics-informed deep convolutional hierarchical encoder-decoder neural network, as a surrogate model to predict flow fields for various turbine configurations, significantly reducing dependence on costly CFD simulations. PI-DeepWFLO is trained on labeled data using a customized physics-informed loss function that incorporates mass and momentum conservation laws. Our results show that the proposed PI-DeepWFLO accurately predicts spanwise and streamwise velocity fields ( R 2 = 0.955 ), effectively capturing wake interactions between turbines. Furthermore, results show that PI-DeepWFLO is less sensitive to variations in network weight initialization and training datasets than purely data-driven alternatives, exhibiting a ten-fold lower R 2 variance over different re-samplings of the training dataset. A comparison of AEP values calculated from PI-DeepWFLO and CFD-generated flow fields demonstrates a median error of 1.25% across test cases. Importantly, the Spearman’s Rank Correlation Coefficient between AEPs from CFD and PI-DeepWFLO flow fields is 1.0, confirming the PI-DeepWFLO’s suitability for AEP estimation in optimization studies. We illustrate PI-DeepWFLO’s performance in an application context by employing it as a surrogate model for a WFLO task.
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.
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 découle