Two-way coupling of gravity waves and wind farm wakes: a reduced-order boundary-layer model

本文提出了一种计算高效的降阶模型，该模型通过线性化非静力布西内斯克方程并利用盖帽逆温层耦合边界层与自由大气动力学，成功捕捉了重力波与风电场尾流之间的双向耦合效应，且针对大涡模拟的验证证实了其能够复现上游阻塞和尾流加速恢复等关键流动特征。

要点

想象一座巨大的风电场，不要仅仅将其视为一堆旋转的风机，而是一只伸向天空的无形巨手，试图抓取一把风来发电。本文探讨的是：当这只“手”变得如此巨大，以至于它不再仅仅是抽取风能，而是真正对大气本身产生反作用力时，会发生什么——从而在风与其上方的空气之间引发一场复杂的共舞。

以下是这场共舞的故事，拆解为若干简明概念：

问题所在：风电场过大，超出了微风所能承载的限度

过去，风电场规模较小，如同河流中的几颗鹅卵石。水流（风）轻易地从它们周围流过，河流几乎察觉不到它们的存在。但如今，风电场已变得极其庞大——有时甚至高达我们赖以生存的那一层空气（大气边界层）的整个厚度。

当如此巨大的风电场试图从风中窃取能量时，它会减缓空气的流动。由于空气无法凭空消失，这种减速迫使空气上下运动以腾出空间。这就好比拥挤的地铁车厢：如果所有人突然停止向前移动，他们就必须上下调整位置，以避免相互碰撞。

“蹦床”效应（重力波）

大气并非空旷无物，而是具有分层结构。在风电场正上方，存在一个明确的“天花板”，称为盖帽逆温层。你可以将这一层想象成覆盖在风电场上方的蹦床或一条厚重的毯子。

当风电场减缓空气流动时，它会将空气向上推，从而在这个“蹦床天花板”上顶出一个鼓包。

1. 顶起：风电场将空气向上推。
2. 回弹：“蹦床”（其上方稳定的空气）想要弹回原位。这种回弹产生了涟漪，即重力波。
3. 反馈：这些涟漪并非静止不动；它们会向下反推风电场。这就像蹦床反过来推你的脚一样。由此产生的压力变化可能阻碍风到达风机（降低其效率），也可能帮助加速风电场后方的气流（促进尾流恢复）。

旧方法 vs. 新方法

旧方法（重锤）：
科学家过去使用名为“大涡模拟”（LES）的超复杂计算机模拟来研究这一现象。想象一下，试图模拟每一股空气分子以及蹦床上的每一道微小涟漪。这种方法极其精确，但所需的计算量如此巨大，以至于就像为了观察潮汐如何移动而试图数清沙滩上的每一粒沙子。对于规划新风电场或实时优化而言，它过于缓慢。

新方法（智能草图）：
本文作者创建了一种“降阶模型”。不妨将其视为一幅智能草图，而非超写实绘画。

• 他们通过仅聚焦于最关键的部分来简化数学：空气的垂直运动以及“蹦床”上的涟漪。
• 他们将风电场视为一种连续的作用力，而非模拟每一片风机叶片。
• 他们运用了一种巧妙的数学技巧（混合谱方法与有限差分法），从而快速求解方程。

他们的发现

他们将“智能草图”与“重锤”（超复杂模拟）以及真实世界数据进行了对比测试。以下是他们的发现：

1. 阻塞效应：当风电场处于稳定大气中（例如晴朗、具有明确“天花板”的平静日子）时，重力波会在风电场尚未开始运作之前就形成一股“逆风”。这就像你在尚未抵达障碍物之前，就迎面撞上了一股强劲的逆风。这股逆风会在气流抵达风机之前显著减缓风速。
2. 恢复效应：在风电场后方，“蹦床”回弹向下，形成一股“顺风”，推动空气向前。这使得风速的恢复速度远快于在平静、中性天气条件下的恢复速度。
3. 准确性：他们的简化模型与超复杂模拟的结果几乎完全吻合，但运行速度快了数千倍。

核心结论

本文为工程师提供了一种快速可靠的工具，用以预测巨型风电场将如何与天空相互作用。过去，他们需等待超级计算机数日才能获知风电场的性能表现；如今，他们可借助此模型，在几秒钟内洞察大气的“蹦床”效应将如何助力或阻碍风电场。它弥合了简单猜测与难以运行的超复杂模拟之间的鸿沟，帮助我们设计出更能与大气协同工作、而非仅仅与之对抗的更优风电场。

技术摘要

技术摘要：重力波与风电场尾流的双向耦合：一种低阶边界层模型

问题陈述
公用事业规模风电场的快速扩张，导致其设施规模已可与大气边界层（ABL）厚度相媲美。这种尺度变化在风电场与大气之间引发了复杂的双向相互作用，特别是在热分层条件下。在具有盖层逆温和分层自由大气的常规中性边界层（CNBL）中，涡轮机对能量的提取会诱发垂直运动以满足连续性要求。这些运动使盖层逆温发生位移，从而产生大尺度重力波（包括界面波和内部波）。这些波反过来又诱导出压力梯度，反馈作用于边界层流，导致显著的上游阻塞效应，并改变下游的尾流恢复速率。

虽然大涡模拟（LES）能够捕捉这些现象，但由于重力波传播所需的巨大空间域以及这些波对边界条件的敏感性，其计算成本极高。以往的低阶模型试图解决这一问题，但存在局限性：一些模型假设垂直方向上的流场均匀，而另一些模型则将线性化波模型与工程尾流模型耦合，导致高度参数化的系统，依赖于湍流扩散、尾流恢复速率和叠加方法的经验选择。因此，仍需要一个统一的框架，在保持计算效率并减少参数依赖性的同时，解析大气边界层的连续垂直结构。

方法论
作者开发了一种低阶线性化数值模型，该模型解析了大气边界层的连续垂直结构，并捕捉了尾流与重力波之间的双向耦合。该方法包含以下步骤：

1. 控制方程：模型围绕具有水平速度 $U(z)$ 的背景流，对稳态、二维非静力 Boussinesq 方程进行线性化。方程被划分为两个区域：大气边界层（存在湍流和风电场强迫）和自由大气（存在分层但忽略湍流和强迫）。
2. 边界层公式：在大气边界层内，模型通过消除水平速度和压力，推导出垂直速度扰动（$w$）的控制方程。湍流剪切应力采用混合长度理论的 Boussinesq 假设进行建模。
3. 自由大气公式：在自由大气中，方程简化为垂直速度的亥姆霍兹方程，通过傅里叶变换求解，得出内部波和界面波的解。
4. 耦合机制：两个区域通过盖层逆温（$z=H$）处的运动学和动力学边界条件进行耦合。
   • 运动学：逆温层随流体运动，将垂直速度与逆温位移（$\eta$）联系起来。
   • 动力学：通过比较逆温位移前后的压力，推导出压力连续条件。这产生了一个关键边界条件（方程 2.19），将大气边界层顶部的垂直速度梯度与垂直速度本身联系起来。该条件概括了界面波（通过约化重力 $g_r$）和内部波（通过浮力频率 $N$）的影响。
5. 数值离散化：系统采用混合谱 - 有限差分法求解。垂直域使用有限差分法离散，而水平方向通过傅里叶变换处理。这种方法计算效率高，且天然适用于周期性域。
6. 风电场强迫：风电场被建模为半无限排列的致动盘阵列。强迫项通过迭代计算，以考虑局部尾流亏损以及局部尾流效应与横向平均尾流效应的比率（$\beta_n$）。

主要结果
该模型针对代表不同大气状态（分层和弗劳德数各异）的三个不同 LES 数据集进行了验证：

• 定性行为：真正中性边界层（TNBL）与常规中性边界层（CNBL）的比较表明，重力波显著改变了流动动力学。在 CNBL 中，模型复现了：
  • 上游阻塞：风电场上游产生逆压梯度，导致 TNBL 中不存在的强烈全局阻塞效应。
  • 尾流恢复：风电场内部及下游形成顺压梯度，与 TNBL 情况相比加速了尾流恢复。
  • 垂直位移：模型捕捉到了盖层逆温的位移，表明对于亚临界流动（强分层），最大位移移至风电场起始处，而对于超临界流动，则发生在末端附近。
• 定量一致性：
  • 模型在轮毂高度处的流向速度扰动和垂直平均速度方面，与 LES 数据表现出良好的一致性。
  • 它成功复现了亚临界情况下上游阻塞的幅值以及尾流恢复的加速。
  • 在强分层亚临界情况（Q00）下，模型略微高估了尾流恢复（导致微小的正速度扰动），作者将此归因于二维简化可能高估了重力波诱发的顺压梯度。
• 计算效率：该模型计算效率高，在标准 PC 上无需并行化，每次迭代仅需约 3 秒，使其适用于 LES 难以胜任的参数扫描和优化任务。

意义与主张
本文声称提供了一个统一的框架，弥合了计算成本高昂的 LES 与高度参数化的工程模型之间的鸿沟。其主要贡献包括：

1. 物理保真度：它解析了大气边界层的连续垂直结构，无需依赖以往低阶方法中使用的“层离散化”（例如将大气边界层划分为独立的风电场层和上层）。
2. 减少参数化：通过从第一性原理（盖层逆温物理）推导耦合，而非将线性波模型与经验尾流模型耦合，该框架减少了任意工程参数（如尾流恢复速率或叠加方法）的数量。
3. 双向耦合：该模型通过推导出的边界条件，自然地捕捉了重力波对边界层流的反馈，准确复现了上游阻塞和下游尾流加速。

作者将该框架定位为未来在天气和气候模型中参数化风电场效应的基础，以及高效评估风电场性能和风电场间相互作用的工具。他们指出，未来的工作将把该框架扩展到三维，并纳入额外的物理机制，包括非线性效应、科里奥利力以及改进的湍流表征。