論文の概要: Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence

• arxiv url: http://arxiv.org/abs/2410.14024v1
• Date: Thu, 17 Oct 2024 20:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-21 14:24:35.812204
• Title: Ensemble-based, large-eddy reconstruction of wind turbine inflow in a near-stationary atmospheric boundary layer through generative artificial intelligence
• Title（参考訳）: 生成人工知能による準定常大気境界層内の風力タービン流入のエンサンブルベース大渦再構成
• Authors: Alex Rybchuk, Luis A. Martínez-Tossas, Stefano Letizia, Nicholas Hamilton, Andy Scholbrock, Emina Maric, Daniel R. Houck, Thomas G. Herges, Nathaniel B. de Velder, Paula Doubrawa,
• Abstract要約: 本研究では,大気の大渦シミュレーションモデルに根ざした時間分解インフロー再構成手法を開発した。 我々の「大規模渦再構築」技術は拡散モデル機械学習アルゴリズムを用いて観測と大気モデル情報をブレンドする。 我々は,3つの合成フィールドキャンペーンにおいて,この手法の2秒間再構築能力を検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: To validate the second-by-second dynamics of turbines in field experiments, it is necessary to accurately reconstruct the winds going into the turbine. Current time-resolved inflow reconstruction techniques estimate wind behavior in unobserved regions using relatively simple spectral-based models of the atmosphere. Here, we develop a technique for time-resolved inflow reconstruction that is rooted in a large-eddy simulation model of the atmosphere. Our "large-eddy reconstruction" technique blends observations and atmospheric model information through a diffusion model machine learning algorithm, allowing us to generate probabilistic ensembles of reconstructions for a single 10-min observational period. Our generated inflows can be used directly by aeroelastic codes or as inflow boundary conditions in a large-eddy simulation. We verify the second-by-second reconstruction capability of our technique in three synthetic field campaigns, finding positive Pearson correlation coefficient values (0.20>r>0.85) between ground-truth and reconstructed streamwise velocity, as well as smaller positive correlation coefficient values for unobserved fields (spanwise velocity, vertical velocity, and temperature). We validate our technique in three real-world case studies by driving large-eddy simulations with reconstructed inflows and comparing to independent inflow measurements. The reconstructions are visually similar to measurements, follow desired power spectra properties, and track second-by-second behavior (0.25 > r > 0.75).
• Abstract（参考訳）: フィールド実験におけるタービンの2秒間ダイナミクスの検証には,タービンに流入する風を正確に再構築する必要がある。 現在の時間分解インフロー再構成技術は、大気の比較的単純なスペクトルモデルを用いて、観測されていない地域での風の挙動を推定する。 そこで本研究では,大気の大規模シミュレーションモデルに根ざした時間分解型インフロー再構成手法を開発した。 提案手法は,拡散モデル機械学習アルゴリズムを用いて,観測と大気モデル情報をブレンドすることで,1分間の観測期間で再現の確率的アンサンブルを生成する。 生成したインフローは, エアロ弾性符号や大渦シミュレーションにおけるインフロー境界条件として直接利用することができる。 提案手法の3つの合成フィールドキャンペーンにおける2次・2次再構成能力を検証し, 地中構造と再生流速との間に正のピアソン相関係数値 (0.20>r>0.85) を求めるとともに, 未観測フィールド(空間速度, 垂直速度, 温度)に対してより小さい正の相関係数値を求める。 本手法を実世界の3つのケーススタディにおいて,再構成した流入流を用いた大渦シミュレーションを駆動し,独立した流入流計測との比較により検証した。 再構成は測定値と視覚的に似ており、所望のパワースペクトル特性に従い、2秒間(0.25 > r > 0.75)の挙動を追跡する。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Generative convective parametrization of dry atmospheric boundary layer [0.0]
  乱流のパラメトリゼーションは、キロスケールの地球系モデルにおいて、必要なビルディングブロックとして残る。 本稿では, 直交対向ネットワークに基づく乾式対流境界層に対するパラメトリゼーションを提案する。 我々の研究は、他の自然流における効率的なデータ駆動対流パラメトリゼーションへの道を開いた。
  論文  参考訳（メタデータ） (2023-07-27T13:37:29Z)
• Ensemble flow reconstruction in the atmospheric boundary layer from spatially limited measurements through latent diffusion models [0.32955181898067526]
  機械学習技術は、従来、標準的な流体力学問題において、観測されていない流れ領域を再構築してきた。 これらの技術は3次元大気境界層ではまだ実証されていない。
  論文  参考訳（メタデータ） (2023-03-01T21:55:10Z)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• Machine Learning model for gas-liquid interface reconstruction in CFD numerical simulations [59.84561168501493]
  流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。 VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。 一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
  論文  参考訳（メタデータ） (2022-07-12T17:07:46Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Direct data-driven forecast of local turbulent heat flux in Rayleigh-B\'{e}nard convection [0.0]
  Prandtl number $rm Pr=7$とRayleigh number $rm Ra=107$の2次元乱流Rayleigh-B'enard対流 縮小潜在データ空間における流れデータの時間進行に2つの繰り返しニューラルネットワークを適用する。 12層を隠蔽した畳み込み自己エンコーダは、乱流データの次元を元の大きさの0.2%まで縮めることができる。
  論文  参考訳（メタデータ） (2022-02-26T12:39:19Z)
• Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine Learning [0.0]
  実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。 提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
  論文  参考訳（メタデータ） (2021-09-06T14:46:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。