风力涡轮机的设计正在利用神经网络和Zentoech的计算流体动力学工具进行优化
英国华威大学的一个研究项目旨在利用机器学习和计算流体动力学来提高风力涡轮机的效率。
基于计算流体动力学的风电场建模中的机器学习项目是在2017年由一个不确定性量化和管理的行业研究小组提出的。在规划和运行阶段，为最大限度地提高发电量和预测维护水平，尤其是对大型涡轮机阵列，建立风电场模型是至关重要的。然而，目前具有足够质量的模型在计算上是昂贵的。这个项目正在寻找使用机器学习(ML)技术降低成本的方法。
这项研究涉及对风电场进行不同规模的高保真计算流体力学(CFD)模拟。这些数据被用来建立一个基于人工神经网络(ANN)的更有效的“代理”模型。
“我们开始深入挖掘，以找出不同间距、风角和风速下两个涡轮机之间的湍流。研究人员穆罕默德•内迪姆•索古特表示:“我们特别定义了独立角(0度后两个涡轮机不会相互影响的风的角度)。”
该研究使用了位于布里斯托尔的Zenotech公司的zCFD工具，模拟了一个风电场，该风电场有两个直径在3到7之间的涡轮机，在10、12和14米/秒的风速下，改变两边15度的风向。Sogut说:“我们已经研究了改变风向、风速和涡轮机之间距离的独立角度，创建了训练人工神经网络所需的数据，并检查了风速、风向和涡轮机之间的间距的单独影响。”
该项目的结果将使人们更好地了解湍流及其对大型阵列风力涡轮机的风能输出的影响，最终提高输出并降低成本。
“独立的角度是一个有用的措施，以减少数量
