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

本研究は、浮体式洋上風力発電機の複雑な動的後流予測において、物理情報に基づいたニューラルネットワーク（PINN）よりも、フーリエニューラルオペレータ（FNO）の方が、計算速度および高周波の乱流構造の再現性の両面で極めて高い性能を持つことを明らかにしています。

要約

タイトル：海に浮かぶ風車（浮体式洋上風力発電）の「後ろの乱れ」を、AIはどう予測するか？

1. 背景：風車の後ろには「嵐」が起きている

海の上に浮かんでいる巨大な風車（浮体式洋上風力発電）を想像してみてください。風車が回ると、そのすぐ後ろには、風が激しくかき乱された「乱れた空気の通り道（ウェイク）」ができます。

さらに、海の上では波や風の影響で、風車自体が「前後に揺れたり（サージ）」「前後に傾いたり（ピッチ）」と、まるで船のようにゆらゆら動いています。この「風車の動き」と「後ろの空気の乱れ」が複雑に絡み合うことで、後ろに控えている別の風車に、ものすごく激しい風の乱れが襲いかかってしまうのです。

これが起きると、風車の故障や発電効率の低下を招きます。だからこそ、「この乱れがどうやって、どこまで続くのか？」を正確に、かつ瞬時に予測することが、エネルギーを守るために非常に重要なんです。

2. 登場人物：2人のAI（PINN vs FNO）

研究チームは、この複雑な乱れを予測するために、2種類の異なる「AIの性格」を戦わせてみました。

• 【PINN（ピン）】：真面目すぎる優等生
  彼は「物理の教科書」を丸暗記しています。「空気はこう動くはずだ」という物理法則（方程式）を必死に守ろうとします。
• 【FNO（エフノ）】：天才的な直感を持つアーティスト
  彼は教科書よりも「波のパターン」を見るのが得意です。データの全体的なリズムや、細かい模様の「流れ」を、数学的な魔法（フーリエ変換）を使って一瞬で見抜きます。

3. 実験結果：優等生 vs 天才アーティスト

研究チームが、超高性能なシミュレーション（本物の自然に近いデータ）を使って、この2人をテストしたところ、驚きの結果が出ました。

① 描き込みの細かさ（解像度）

• **優等生（PINN）**は、全体的な動きは捉えられますが、どうしても「のっぺり」とした絵を描いてしまいます。細かい渦や、激しい空気の揺れを「まあ、だいたいこんな感じかな」と、**ぼかして（スムージングして）**しまうのです。まるで、高画質な写真なのに、フィルターをかけすぎてボヤけてしまった写真のようです。
• 天才（FNO）は、大きな揺れだけでなく、目に見えないような小さな空気の渦まで、まるで超高画質な4K映像のように鮮明に描き出しました。

② 予測のスピード

• **優等生（PINN）**は、物理法則を計算し直すのに時間がかかり、学習に2時間以上もかかりました。
• 天才（FNO）は、パターンのリズムを掴むのが早いため、わずか15分で学習を終えました。優等生の8倍も速いスピードです！

③ 「リズム」の捉え方

• 風車が揺れると、空気には「メインの揺れ」だけでなく、その後に続く「細かい震え（倍音）」が発生します。
• **優等生（PINN）**は、メインの揺れは分かりますが、細かい震えを「ノイズかな？」と無視してしまいます（これを論文では「ローパスフィルター」と呼んでいます）。
• **天才（FNO）**は、メインの揺れも、その後に続く複雑なリズムも、すべて正確にキャッチしました。

4. 結論：これからの未来に向けて

この研究によって、**「FNO（天才アーティスト型AI）」**が、海の上で揺れる風車の複雑な空気の乱れを予測するのに、極めて強力な武器であることが証明されました。

このAIが実用化されれば、風車の配置を最適にしたり、揺れに合わせて風車の角度をリアルタイムで調整したりできるようになります。その結果、海の上での風力発電がもっと安定し、私たちの使う電気をより効率的に、より安く作れるようになるかもしれません。

技術概要

技術要約：フーリエニューラルオペレータ（FNO）と物理情報ニューラルネットワーク（PINN）を用いた浮体式洋上風力発電機のマルチスケール動的後流モデリング

1. 背景と課題 (Problem)

浮体式洋上風力発電機（FOWT）は、プラットフォームの運動（サージやピッチなど）と風荷重の複雑な結合により、極めて乱れたマルチスケールな後流（ウェイク）を生成します。この動的な後流は、下流の風車への出力損失（最大40%）や疲労荷重の増加（最大80%）を引き起こすため、リアルタイム制御や風力発電所の最適化において、高精度かつ高速な後流予測が不可欠です。

従来の解析モデルや数値流体力学（CFD/LES）は、精度と計算コストのトレードオフが課題でした。近年、データ駆動型のアプローチが注目されていますが、従来の機械学習モデルでは、風車の複雑なマルチスケールな乱流構造を十分に解像できないという問題がありました。

2. 研究手法 (Methodology)

本研究では、FOWTのサージ（前後揺れ）とピッチ（前後傾斜）の結合運動下における後流を再現するため、以下の2つの高度なディープラーニング手法を初めて比較検討しました。

• データ生成: 高精度な基準データとして、**LES（ラージエディシミュレーション）とALM（アクチュエータライン法）**を組み合わせた手法を用い、NREL 5MW風車モデルのシミュレーションを実施しました。
• 比較対象モデル:
  1. PINNs (Physics-Informed Neural Networks): ナビエ・ストークス方程式などの物理法則を損失関数に組み込むことで、物理的な整合性を保ちながら流場を再構成する手法。
  2. FNOs (Fourier Neural Operators): フーリエ空間で積分カーネルをパラメータ化することで、関数空間間の写像を学習する手法。離散化に依存せず、スペクトル領域で演算を行うため、マルチスケールな構造の捕捉に長けています。
• 評価指標: 速度場の再構成精度（MAE, RMSE）、後流パラメータ（後流中心 $y_c$、後流半幅 $R_{1/2}$、速度欠損 $\Delta U_c$）の統計的解析、およびパワースペクトル密度（PSD）による周波数特性の解析。

3. 主な貢献 (Key Contributions)

• 初の比較研究: FOWTの結合運動に伴う複雑な後流に対し、FNOとPINNを適用し、その性能を体系的に比較した初の研究です。
• マルチスケール解像度の解明: PINNが「時空間的なローパスフィルタ」として機能してしまうのに対し、FNOが微細な乱流構造を保持できることを明らかにしました。
• 高精度データの活用: 中精度な解析モデルではなく、高精度なLESデータを用いた学習により、モデルの真の能力を評価しました。

4. 研究結果 (Results)

• 計算効率: FNOはPINNと比較して、学習速度が約8倍速く、収束に必要なエポック数も大幅に少ないことが示されました。
• 再構成精度:
  • PINN: 全体的な動向は捉えるものの、高周波の微細な乱流構造が平滑化（スムージング）されてしまい、速度勾配や変動強度が過小評価される傾向にあります。
  • FNO: CFDの基準データとほぼ区別がつかないほど高精度に、時空間的な流場を再構成できました。
• 物理パラメータの追従性: 後流中心の蛇行（Meandering）や後流半幅の非単調な変化に対し、FNOは極めて高い精度で追従しましたが、PINNは変動の強度を著しく過小評価しました。
• スペクトル解析: PSD解析の結果、FNOは主要な後流蛇行周波数（$St$）だけでなく、その**高次高調波（$2St, 3St$）や小規模な乱流構造**も正確に捉えることができました。対してPINNは、高周波領域（$St > 1$）のエネルギーを大幅に欠落させました。

5. 意義 (Significance)

本研究は、FOWTの後流予測においてFNOが極めて有望なアプローチであることを証明しました。FNOは、物理的な忠実度（微細な乱流構造の再現）と計算効率（高速な学習と推論）の両立において、従来のPINNを凌駕しています。この成果は、将来的な洋上風力発電所のリアルタイム監視、能動的な後流制御、および風力発電所のレイアウト最適化を実現するための強力な基盤技術となります。