A Graph Neural Network Based Surrogate Model for Flapping-Driven Ocean Energy Harvesting
Notice bibliographique
Résumé
Abstract Cantilevered elastic foils or panels can undergo self-induced large-amplitude flapping oscillations when submerged in a flowing fluid. This canonical phenomenon of fluid-structure interaction, commonly observed in nature, such as in fluttering leaves or fish fins, offers a promising mechanism for ocean energy harvesting. By leveraging the repetitive flapping motion, elastic foils can harness the abundant kinetic energy present in marine environments, including steady ocean currents and unsteady wave-driven flows. The efficiency of energy harvested by these foils is dictated by the amplitude and frequency of the oscillation, which are influenced by interactions with the surrounding flow. Optimizing these parameters is crucial for maximizing energy conversion efficiency and designing robust systems. However, high-fidelity simulations required for optimization over a wide parameter space are computationally expensive. To address this challenge, we propose a graph neural network-based surrogate model (GNN-ROM) tailored for the inverted foil problem. This model effectively handles mesh-structured data from full-order simulations without modifications, enabling efficient and accurate fluid-structure interaction simulations. The inverted foil is modeled as an elastically mounted rigid foil that undergoes a pitching motion around its trailing edge in uniform flow. The coupled fluid-structure system is simulated using a high-fidelity Petrov-Galerkin finite element approach, leveraging the arbitrary Lagrangian-Eulerian (ALE) formulation for precise interface tracking. The high-fidelity simulations serve as ground truth data for the training and evaluation of neural networks. Our deep learning model utilizes a rotation equivariant, quasi-monolithic GNN architecture based on the ALE formulation, wherein the coupled system dynamics are predicted with two sub-networks. First, essential coefficients describing mesh motion are extracted by proper orthogonal decomposition, which are predicted over time using a single multilayer perceptron. Moreover, the GNN-ROM evolves the flow field according to the state of the system. This approach effectively simulates coupled FSI dynamics, offering a robust surrogate model for rapid parametric optimization and control of energy harvesting devices based on inverted foil configurations.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».