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

Deze studie toont aan dat Fourier Neural Operators (FNO) superieur zijn aan Physics-Informed Neural Networks (PINN) voor het voorspellen van complexe, turbulente zogstromen van drijvende windturbines, omdat FNO zowel kleine schaalstructuren nauwkeuriger vastlegt als aanzienlijk sneller traint.

De kern

De Dans van de Windmolens: Waarom de 'Slimme Voorspeller' wint van de 'Strenge Leraar'

Stel je voor dat je een rij enorme windmolens op een stormachtige zee hebt staan. Deze molens drijven op het water en wiebelen constant door de golven en de wind. Dat is niet alleen spannend om te zien, het is ook een probleem: de windmolen die vooraan staat, laat een "spoor van chaos" achter in de lucht—een soort turbulente, onrustige windstroom. De molen die daarachter staat, krijgt die rommelige wind over zich heen, waardoor hij minder stroom opwekt en sneller slijt.

Het probleem is: die "wind-chaos" is ontzettend ingewikkeld en verandert elke seconde. Als we willen dat windparken op zee perfect werken, moeten we die chaos kunnen voorspellen.

De twee kandidaten: De Strenge Leraar vs. de Super-Snelspeler

Wetenschappers hebben twee soorten "AI-breinen" (computerprogramma's) getest om deze chaos te voorspellen.

1. De Strenge Leraar (PINN - Physics-Informed Neural Network)
Zie de PINN als een student die heel erg hard probeert om de wetten van de natuurkunde uit zijn hoofd te leren. Hij heeft een dik handboek met natuurkundige formules (zoals de wetten van beweging en druk) en probeert die strikt te volgen.

• Het probleem: Omdat hij zo gefocust is op de grote regels uit het boek, wordt hij een beetje "lui" in de details. Hij ziet wel dat de wind beweegt, maar hij ziet de kleine, snelle trillingen en de fijne wervelingen niet. Hij tekent de windstroom als een soort gladgestreken, saaie lijn. Hij is een beetje als een schilder die alleen met een grote kwast werkt: je ziet de vorm van de berg wel, maar je mist de details van de grassprietjes.

2. De Super-Snelspeler (FNO - Fourier Neural Operator)
De FNO werkt heel anders. In plaats van te proberen elke formule uit het hoofd te leren, kijkt hij naar de windstroom als een soort muziek of een patroon van golven. Hij gebruikt een wiskundige truc (de Fourier-transformatie) om de windstroom te ontleden in verschillende "frequenties"—van de lage, trage bewegingen tot de hele hoge, snelle trillingen.

• Het voordeel: Hij is als een schilder met een set van duizenden verschillende penselen, van superdik tot flinterdun. Hij ziet niet alleen de grote beweging van de wind, maar ook de kleinste, razendsnelle wervelingen.

Wat hebben de onderzoekers ontdekt?

De onderzoekers hebben de AI-modellen laten strijden tegen de werkelijkheid (gemeten met supercomputers). De uitslag was duidelijk:

1. De FNO is een kampioen in details: Waar de "Strenge Leraar" (PINN) de windstroom gladstrijkt als een slecht gestreken laken, laat de FNO alle kleine rimpelingen en wervelingen perfect zien. Hij begrijpt de "muziek" van de wind, inclusief de hoge tonen (de snelle turbulentie).
2. De FNO is razendsnel: De FNO was ongeveer 8 keer sneller klaar met trainen dan de PINN. Terwijl de PINN urenlang aan het zweten was om de formules te begrijpen, was de FNO al lang klaar met zijn werk.
3. Voorspellen in de toekomst: Als je de modellen vraagt om te voorspellen wat er over een paar minuten gebeurt, blijft de FNO heel nauwkeurig. De PINN raakt de weg kwijt en begint te gokken, waardoor zijn voorspelling steeds vager en minder nauwkeurig wordt.

Waarom is dit belangrijk voor de wereld?

Als we deze "Super-Snelspeler" (FNO) in de echte wereld gebruiken, kunnen we windparken op zee veel slimmer aansturen. We kunnen precies voorspellen wanneer een molen in de "vuile wind" van een andere molen komt te staan. Hierdoor kunnen we meer groene stroom opwekken, de molens beschermen tegen schade en de energiekosten voor iedereen verlagen.

Kortom: We hebben geleerd dat om de chaos van de natuur te begrijpen, je niet alleen de regels moet volgen, maar ook de ritme en de details van de dans moet kunnen horen.

Technische samenvatting

Technische Samenvatting: Multi-scale Dynamische Wake-modellering van Drijvende Offshore Windturbines via Fourier Neural Operators en Physics-Informed Neural Networks

1. Probleemstelling

De transitie naar hernieuwbare energie drijft de vraag naar diepwaterwindenergie aan, waarbij drijvende offshore windturbines (FOWT's) een cruciale rol spelen. Een groot probleem bij FOWT's is de complexe koppeling tussen de bewegingen van het platform (zoals surge en pitch) en de windbelasting. Dit veroorzaakt zeer turbulente, multi-schaal "wakes" (turbulente sporen achter de turbine). Deze dynamische wakes kunnen leiden tot energieverliezen van wel 40% en een toename van vermoeidheidsbelastingen met 80%.

Traditionele methoden zoals Computational Fluid Dynamics (CFD) zijn uiterst nauwkeurig maar computationeel te traag voor real-time toepassingen. Bestaande data-gedreven modellen (zoals analytische modellen of eenvoudige machine learning) schieten vaak tekort in het vastleggen van de complexe, kleinschalige turbulente structuren die essentieel zijn voor nauwkeurige voorspellingen.

2. Methodologie

In dit onderzoek worden twee geavanceerde deep learning-architecturen voor het eerst vergeleken voor het reconstrueren en voorspellen van de complexe wakes van FOWT's onder gekoppelde surge- en pitch-bewegingen:

• Physics-Informed Neural Networks (PINNs): Deze modellen integreren de natuurkundige wetten (de Navier-Stokes vergelijkingen) direct in de verliesfunctie (loss function) van het netwerk. Hierdoor probeert het model niet alleen data te fitten, maar ook de fysieke consistentie te waarborgen.
• Fourier Neural Operators (FNOs): Dit is een opkomend paradigma dat leert in de frequentiedomein (Fourier-ruimte). In plaats van te werken met discrete punten, benadert FNO de oplossingoperator direct in een continuüm, wat zorgt voor een hoge efficiëntie en onafhankelijkheid van de resolutie van het rekenrooster.

Data-generatie: De "ground truth" (referentiedata) werd gegenereerd met behulp van hoogwaardige Large-Eddy Simulations (LES) gecombineerd met de Actuator Line Method (ALM). Dit zorgt voor een zeer gedetailleerde weergave van de turbulente interacties.

3. Belangrijkste Bijdragen

• Eerste vergelijkende studie: Het is de eerste keer dat FNO en PINN systematisch worden toegepast op de multi-schaal dynamische wakes van FOWT's onder complexe 6-DOF (degrees of freedom) bewegingen.
• Evaluatie van fysieke getrouwheid: Het onderzoek biedt een diepgaande analyse van hoe goed deze modellen de fysieke parameters (zoals de positie van het wake-centrum en de breedte van de wake) en de spectrale eigenschappen (frequenties) kunnen reconstrueren.
• Identificatie van modelbeperkingen: Het onderzoek legt bloot dat PINNs fungeren als een "spatiotemporele laagdoorlaatfilter", wat hun beperkingen bij hoogfrequente turbulentie aantoont.

4. Resultaten

De resultaten tonen een duidelijk overwicht van de FNO-methode over de PINN-methode:

• Computationele Efficiëntie: FNO is ongeveer acht keer sneller in training dan PINN (ca. 15 minuten versus meer dan 2 uur) en convergeert in aanzienlijk minder tijd (500 epochs versus 20.000 epochs).
• Nauwkeurigheid van de reconstructie: FNO levert een reconstructie die vrijwel ononderscheidbaar is van de CFD-data. PINNs resulteren in een te "gladde" weergave, waardoor ze de kleinschalige, coherente turbulente structuren en scherpe snelheidsgradiënten missen.
• Spectrale Getrouwheid: Bij analyse van de Power Spectral Density (PSD) blijkt dat FNO niet alleen de primaire meandering-frequenties ($St$) vastlegt, maar ook de hogere harmonischen ($2St, 3St$) en de hoogfrequente energie. PINNs onderschatten de energie in het hoogfrequente regime ($St > 1$) aanzienlijk.
• Voorspellende kracht: Bij langetermijnvoorspellingen behoudt FNO een hoge precisie, terwijl de nauwkeurigheid van PINNs sterk degradeert en de wake-structuren te veel worden afgevlakt.

5. Betekenis en Conclusie

De studie concludeert dat Fourier Neural Operators (FNO) een veelbelovende en superieure benadering zijn voor de voorspelling van FOWT-wakes. Vanwege hun vermogen om zowel de grootschalige bewegingen (meandering) als de kleinschalige turbulentie met hoge snelheid en precisie te modelleren, bieden ze een krachtig instrument voor:

1. Real-time monitoring van windparken.
2. Optimalisatie van de lay-out van windparken op zee.
3. Actieve controle van de wake om energieverliezen en structurele belasting te minimaliseren.