論文の概要: Multi-scale Dynamic Wake Modeling of Floating Offshore Wind Turbines via Fourier Neural Operators and Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2604.23937v1
- Date: Mon, 27 Apr 2026 01:21:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.685513
- Title: Multi-scale Dynamic Wake Modeling of Floating Offshore Wind Turbines via Fourier Neural Operators and Physics-Informed Neural Networks
- Title（参考訳）: フーリエ・ニューラル・オペレーターと物理インフォームド・ニューラル・ネットワークによる浮揚風車のマルチスケールダイナミック・ウェイク・モデリング
- Authors: Guodan Dong, Jianhua Qin, Chang Xu,
- Abstract要約: オフショア風力タービンのリアルタイム制御と最適化には, マルチスケールダイナミックウェイク予測が不可欠である。
本研究は, 多数のストローハル数にまたがるサージおよびピッチ運動の下で, FOWTの複雑な乱流発生を再構成し, 予測する。
- 参考スコア（独自算出の注目度）: 18.33583893023773
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-scale dynamic wake prediction is essential for the real-time control and performance optimization of floating offshore wind turbines (FOWTs). In this study, Fourier neural operators (FNOs) and physics-informed neural networks (PINNs) are utilized for the first time to reconstruct and predict the complex turbulent wakes of the FOWT under coupled surge and pitch motions across a range of Strouhal numbers (St = [0, 0.6]). Results demonstrate that while both models successfully capture dominant dynamic characteristics such as wake meandering, PINN-generated wakes appear relatively smooth, failing to resolve high-frequency coherent structures as well as the intensity of temporal variations in wake center and wake half-width. FNO effectively resolves both large- and small-scale coherent turbulent structures with significantly higher fidelity. Furthermore, FNO achieves a training speed approximately eight times faster than PINN, converging in far fewer epochs. Power spectral density (PSD) analysis reveals that FNO is more effective at capturing not only the primary wake meandering frequencies (St) but also their higher-order harmonics (e.g., 2St and 3St) and small-scale coherent structures. In fact, PINN effectively acts as a spatiotemporal low-pass filter; they resolve only large-scale dynamic features and fail to capture other spectral signatures induced by coupled surge and pitch motions, thereby significantly underestimating the energy in the high-frequency regime. These findings suggest that FNO is a promising approach for FOWT wake prediction.
- Abstract（参考訳）: フローティングオフショア風力タービン(FOWT)のリアルタイム制御と性能最適化には,マルチスケールダイナミックウェイク予測が不可欠である。
本研究では、フーリエ・ニューラル演算子(FNO)と物理インフォームド・ニューラル・ネットワーク(PINN)を初めて利用し、ストローハル数(St = [0, 0.6])の範囲におけるFOWTの複雑な乱流発生を再構成し、予測する。
その結果、どちらのモデルもウェイク・メアンダリングのような支配的な動的特性を捉えることに成功したが、PINN生成したウェイクは比較的滑らかに見え、高周波コヒーレント構造を解決できず、ウェイク・センターとウェイク・幅の時間的変動の強度も高められなかった。
FNOは、大きくて小さなコヒーレントな乱流構造を効果的に解決する。
さらに、FNOはPINNの約8倍の速さでトレーニングを行ない、非常に少ないエポックで収束する。
パワースペクトル密度(PSD)解析により、FNOは一次覚醒周波数(St)だけでなく、高次高調波(eg, 2St, 3St)や小型コヒーレント構造を捉えるのに有効であることが示された。
実際、PINNは時空間低域フィルタとして効果的に機能し、大規模なダイナミックな特徴のみを解決し、複合的なサージとピッチ運動によって引き起こされる他のスペクトル信号の捕捉に失敗し、高周波数状態におけるエネルギーを著しく過小評価する。
これらの結果から,FNOはFOWTの覚醒予測に有望なアプローチであることが示唆された。
関連論文リスト
- Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。
FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。
連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
論文 参考訳（メタデータ） (2026-03-23T03:22:33Z) - Lazy Diffusion: Mitigating spectral collapse in generative diffusion-based stable autoregressive emulation of turbulent flows [0.0]
標準DDPMは基本的な赤外崩壊を引き起こすことを示す。
拡散時間内に微細構造を深く保存するパワー・ロー・スケジュールを導入する。
これらの手法はレイノルズ数2Dコルモゴロフ乱流とメキシコ湾の1/12円の海面再解析に応用される。
論文 参考訳（メタデータ） (2025-12-10T12:05:32Z) - Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。
可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。
実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2025-06-24T21:14:59Z) - LOGLO-FNO: Efficient Learning of Local and Global Features in Fourier Neural Operators [20.77877474840923]
高周波情報は機械学習における重要な課題である。
ディープニューラルネットワークは、低周波成分の学習に対するいわゆるスペクトルバイアスを示す。
放射結合スペクトル誤差に基づく新しい周波数感受性損失項を提案する。
論文 参考訳（メタデータ） (2025-04-05T19:35:04Z) - Multi-frequency wavefield solutions for variable velocity models using meta-learning enhanced low-rank physics-informed neural network [3.069335774032178]
物理インフォームドニューラルネットワーク(PINN)は、複雑な速度モデルにおける多周波波場をモデル化する上で大きな課題に直面している。
本稿では,低ランクパラメータ化とメタラーニング,周波数埋め込みを組み合わせた新しいフレームワークMeta-LRPINNを提案する。
数値実験により,Meta-LRPINNはベースライン法に比べて高速に収束し,精度が高いことがわかった。
論文 参考訳（メタデータ） (2025-02-02T20:12:39Z) - DiffFNO: Diffusion Fourier Neural Operator [8.895165270489167]
重み付きフーリエニューラル演算子(WFNO)により強化された任意のスケール超解像のための新しい拡散フレームワークDiffFNOを紹介する。
WFNOにおけるモードリバランシングは、重要な周波数成分を効果的に捕捉し、高周波画像の再現を大幅に改善する。
提案手法は,高精度かつ計算効率の両面において,超解像の新たな標準を定めている。
論文 参考訳（メタデータ） (2024-11-15T03:14:11Z) - Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
ランダム量子スピン系の進化をモデル化するためにFNOを用いる。
量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
論文 参考訳（メタデータ） (2024-09-05T07:18:09Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳（メタデータ） (2022-11-28T09:57:15Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z)
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。