Towards a machine-learning-based large eddy simulation of offshore 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
This study introduces a Scale-Adaptive Machine-Learning Subgrid-Scale model developed to predict subgrid-scale turbulence within the framework of large eddy simulations for offshore wind farms. Unlike traditional subgrid-scale models that rely on blending of isotropy and scale similarity, the proposed approach leverages a supervised learning framework based on physically informed flow observables derived from mixed modelling theory and Leonard decomposition. The model employs a novel encoder–decoder neural network architecture designed to capture coherent enstrophy dynamics and multi-scale turbulence interactions. Skip connections and latent representations serve as implicit filters, enabling the model to represent both structural and functional aspects of turbulence. Trained using data from a scale-adaptive LES method, outcome of the presented model has been validated for its ability to learn and reproduce key turbulence characteristics, such as intermittency and energy transfer, across resolutions and flow scenarios. A-priori tests confirm its capacity to capture statistical turbulence features, while a-posteriori tests demonstrate that the model dynamically predicts eddy viscosity and produces flow fields comparable to high-resolution LES with traditional SGS models. When applied on coarser meshes, the model maintains accuracy, as evidenced by agreement in the ratio of subgrid to total kinetic energy. These findings support the potential of this machine-learning-based model as a physics-aware, scalable modelling approach for complex turbulent flows. • ML–LES integration using scale-adaptive and mixed modelling : Introduces SAM-SGS, a model that learns enstrophy dynamics and energy cascade. • Encoder–decoder architecture improves LES performance : Uses skip connections to boost interpretability, gradient flow, and spatial detail. • Scalable and generalizable AI for offshore LES : SAM-SGS adapts to flow variations, enabling robust LES in wind farm applications.
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 | 0,001 |
| 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 découle