Multi-scale Dynamic Wake Modeling of Floating Offshore Wind Turbines via Fourier Neural Operators and Physics-Informed Neural Networks

Diese Studie zeigt, dass Fourier Neural Operators (FNOs) der physik-informierten neuronalen Netzwerk-Methode (PINN) bei der Vorhersage komplexer, turbulenter Nachlaufströmungen von schwimmenden Offshore-Windenergieanlagen deutlich überlegen sind, da sie sowohl hochfrequente Strukturen präziser erfassen als auch wesentlich schneller trainiert werden können.

Das Wesentliche

Der Tanz der Windräder: Warum wir „Super-Vorhersagen“ für schwimmende Windparks brauchen

Stellen Sie sich vor, Sie stehen an einer belebten Autobahn. Wenn ein riesiger LKW an Ihnen vorbeifährt, spüren Sie einen heftigen Windstoß, der alles um Sie herum durcheinanderwirbelt. Wenn nun zehn dieser LKWs hintereinander in unterschiedlichen Abständen vorbeirasen, entsteht ein chaotisches Wirrwarr aus Luftströmungen.

Genau das passiert auf dem Meer mit schwimmenden Windkraftanlagen (FOWTs). Diese riesigen Windräder stehen nicht fest auf dem Boden, sondern schwimmen auf Wellen. Sie wackeln (vor und zurück) und neigen sich (wie ein Schiff). Dieses ständige Hin- und Herbewegen erzeugt hinter dem Windrad eine extrem komplizierte „Schleppe“ aus Luftwirbeln – den sogenannten Nachlauf (Wake).

Das Problem: Wenn ein zweites Windrad direkt in dieser turbulenten „Schleppe“ des ersten steht, bekommt es viel weniger Wind ab und wird durch das ständige Rütteln extrem schnell kaputt. Um Windparks effizient zu bauen, müssen wir also genau wissen, wie diese Wirbel aussehen.

Die zwei „digitalen Detektive“: PINN vs. FNO

Die Forscher haben zwei verschiedene Arten von Künstlicher Intelligenz (KI) getestet, um diese Wirbel vorherzusagen. Man kann sie sich wie zwei verschiedene Detektive vorstellen, die versuchen, ein komplexes Muster im Chaos zu erkennen:

1. Der Detektiv „PINN“ (Der vorsichtige Regel-Fanatiker):
Stellen Sie sich einen Detektiv vor, der ein sehr strenges Regelbuch dabei hat (die Gesetze der Physik). Er versucht, die Wirbel zu zeichnen, aber er ist extrem vorsichtig. Er will keine Fehler machen und hält sich so strikt an seine Regeln, dass er dazu neigt, alles „glattzubügeln“.

• Das Ergebnis: Er erkennt zwar die großen Bewegungen (das „Wackeln“ des Windrades), aber er übersieht die feinen Details. Es ist, als würde er ein Foto von einem Sturm machen, das aber so stark weichgezeichnet ist, dass man die einzelnen Regentropfen nicht mehr sieht. Er ist ein „Tiefpass-Filter“ – er sieht das Grobe, aber das Feine geht verloren.

2. Der Detektiv „FNO“ (Der Super-Scanner):
Der FNO-Detektiv arbeitet anders. Er schaut nicht nur auf die einzelnen Punkte, sondern er nutzt eine Art „Röntgenblick“ (die Fourier-Transformation). Er betrachtet die Wellen und Schwingungen des Windes als ganze Musikstücke. Er hört nicht nur den tiefen Bass (die großen Bewegungen), sondern er hört auch die hohen Töne (die kleinen, schnellen Wirbel).

• Das Ergebnis: Er ist unglaublich präzise. Er zeichnet die Wirbel fast exakt so, wie sie in der echten Natur vorkommen – inklusive der kleinen, wilden Turbulenzen.

Was kam bei dem Experiment heraus?

Die Forscher haben die KI-Modelle mit extrem hochauflösenden Computer-Simulationen verglichen (die quasi die „Wahrheit“ darstellen). Das Urteil war eindeutig:

1. Geschwindigkeit: Der FNO-Detektiv ist ein Rennfahrer. Er war etwa achtmal schneller fertig mit seiner Arbeit als der PINN-Detektiv.
2. Präzision: Während der PINN-Detektiv die Welt „verschmiert“ und die kleinen, gefährlichen Wirbel ignoriert, liefert der FNO eine fast perfekte Kopie der Realität.
3. Die „Musik“ des Windes: In der Analyse der Frequenzen (dem „Sound“ des Windes) zeigte sich: Der FNO erkennt nicht nur den Grundton des Wackelns, sondern auch die komplexen „Obertöne“ – die feinen, hochfrequenten Vibrationen, die für die Struktur des Windrades so wichtig sind.

Warum ist das wichtig für uns?

Wenn wir in Zukunft riesige Windparks auf offener See bauen wollen, brauchen wir Echtzeit-Vorhersagen. Wir können nicht jedes Mal stundenlang eine Supercomputer-Simulation laufen lassen, während das Windrad im Sturm wackelt.

Dank des FNO-Modells haben wir nun einen digitalen Assistenten, der blitzschnell und mit höchster Genauigkeit vorhersagen kann: "Achtung, in 500 Metern Entfernung wird es gleich extrem turbulent!" Das hilft uns, Windräder so zu steuern, dass sie länger halten und mehr sauberen Strom produzieren.

Kurz gesagt: Der FNO ist der neue Goldstandard – schnell, schlau und er sieht das große Ganze sowie das kleinste Detail.

Technische Zusammenfassung

Technische Zusammenfassung: Multi-Skalen-Modellierung dynamischer Abgasfahnen von schwimmenden Offshore-Windenergieanlagen (FOWT)

1. Problemstellung

Die effiziente Nutzung von Offshore-Windenergie erfordert eine präzise Vorhersage der turbulenten Nachlaufströmungen (Wakes), die von Windturbinen erzeugt werden. Bei schwimmenden Offshore-Windenergieanlagen (FOWTs) wird dieses Problem durch die gekoppelte Bewegung der Plattform (insbesondere Surge/Längsbewegung und Pitch/Nickbewegung) massiv erschwert. Diese Bewegungen induzieren hochgradig turbulente, multi-skalige Strömungsstrukturen, die die Leistung nachgeschalteter Turbinen drastisch senken (bis zu 40 % Leistungsverlust) und die Materialermüdung erhöhen können (bis zu 80 %).

Traditionelle Methoden wie die numerische Strömungsmechanik (CFD) bieten zwar hohe Genauigkeit, sind jedoch für Echtzeitanwendungen zu rechenintensiv. Bestehende datengesteuerte Ansätze oder physikinformierte neuronale Netze (PINNs) stoßen oft an Grenzen, wenn es darum geht, sowohl großskalige Phänomene (wie das Meandern der Fahne) als auch kleinskalige, hochfrequente Turbulenzen gleichzeitig präzise abzubilden.

2. Methodik

Die Autoren vergleichen zwei fortschrittliche Deep-Learning-Paradigmen, um die komplexen Nachlaufströmungen unter verschiedenen Strouhal-Zahlen ($St \in [0, 0.6]$) zu modellieren:

• Datengenerierung (Ground Truth): Es wurden hochauflösende Referenzdaten mittels Large-Eddy Simulation (LES) in Kombination mit der Actuator Line Method (ALM) erzeugt. Dies ermöglicht die Erfassung der komplexen Interaktionen zwischen den Rotorblattbewegungen und der turbulenten Umgebung.
• Physics-Informed Neural Networks (PINNs): Diese Modelle integrieren die Navier-Stokes-Gleichungen direkt in die Verlustfunktion (Loss Function), um physikalische Konsistenz zu erzwingen. Sie versuchen, die Strömungsfelder aus spärlichen Daten unter Einhaltung der physikalischen Gesetze zu rekonstruieren.
• Fourier Neural Operators (FNO): Im Gegensatz zu herkömmlichen Netzen lernen FNOs Abbildungen zwischen unendlichdimensionalen Funktionsräumen. Sie nutzen die Fast Fourier Transform (FFT), um die Faltung im Frequenzbereich zu berechnen. Dies ermöglicht eine diskretisierungsinvariante Modellierung, die sowohl groß- als auch kleinskalige Strukturen effizient erfassen kann.

3. Hauptergebnisse

Die Untersuchung zeigt signifikante Unterschiede in der Leistungsfähigkeit beider Modelle:

• Recheneffizienz: FNO ist deutlich überlegen. Das Training von FNO dauerte etwa 15 Minuten, während PINNs über 2 Stunden benötigten. FNO ist somit etwa achtmal schneller und konvergiert in wesentlich weniger Epochen.
• Rekonstruktionsgenauigkeit: Während PINNs zwar die globalen Trends (das Meandern der Fahne) erfassen, wirken sie wie ein spatiotemporaler Tiefpassfilter. Sie glätten die Strömung und versagen dabei, hochfrequente, kleinskalige kohärente Strukturen abzubilden. FNO hingegen rekonstruiert die Geschwindigkeitsfelder mit extrem hoher Treue, wobei der Fehler (RMSE) etwa fünfmal niedriger liegt als bei PINNs.
• Spektrale Analyse: Die Leistungsdichte-Analyse (PSD) bestätigt, dass FNO nicht nur die primären Meander-Frequenzen ($St$) erfasst, sondern auch die höheren Harmonischen ($2St, 3St$) und die kleinskalige Turbulenz. PINNs unterschätzen die Energie im Hochfrequenzbereich ($St > 1$) massiv.
• Physikalische Parameter: Bei der statistischen Auswertung der Fahnenmitte ($y_c$), der Fahnenbreite ($R_{1/2}$) und des Geschwindigkeitsdefizits ($\Delta U_c$) zeigte FNO eine exzellente Übereinstimmung mit den CFD-Daten, während PINNs die zeitlichen Fluktuationen (Standardabweichungen) systematisch unterschätzten.

4. Bedeutung und wissenschaftlicher Beitrag

Die Arbeit leistet einen wesentlichen Beitrag zur Windenergietechnik durch folgende Punkte:

1. Erster Vergleich: Es ist die erste umfassende Untersuchung, die FNO und PINNs direkt auf die komplexen, gekoppelten Bewegungen von FOWTs anwendet.
2. Überlegenheit der FNO-Architektur: Die Studie beweist, dass die Arbeit im Frequenzbereich (Fourier-Domäne) für die Modellierung von Turbulenzen weitaus besser geeignet ist als die rein räumliche Optimierung von PINNs.
3. Praxisrelevanz: Aufgrund der hohen Geschwindigkeit und der Fähigkeit, multi-skalige Dynamiken präzise abzubilden, stellt FNO einen vielversprechenden Ansatz für das Echtzeit-Monitoring und die aktive Steuerung von Windparks dar, um die Effizienz und strukturelle Integrität schwimmender Windkraftanlagen zu optimieren.