DOI: https://doi.org/10.1016/j.rineng.2026.109518
تاريخ النشر: 2026-02-13
المؤلف: Yifan Ma وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
تقدم هذه الدراسة إطار عمل هجين مدرك للمنطقة يهدف إلى تحسين توقع ديناميات السحب غير المستقرة خلف أسس توربينات الرياح البحرية، والتي تتميز بعدم الخطية والتغير الزمني. لقد واجهت طرق الشبكات العصبية التكرارية التقليدية (RNN) صعوبات مع هذه التدفقات المعقدة بسبب وعيها المكاني المحدود. يدمج الإطار المقترح ثلاثة مكونات: الكشف التلقائي عن مناطق السحب باستخدام شبكة CNN معززة بـ Grad-CAM، وتحليل التكوين المناسب (POD) لتقليل الأبعاد، وشبكة هجين من الذاكرة طويلة وقصيرة الأجل (LSTM) ووحدة التكرار المغلقة (GRU) للنمذجة الزمنية. يظهر النموذج تحسينات كبيرة في دقة التنبؤ، حيث يقلل من متوسط الخطأ النسبي المطلق (MARE) من 15.6% إلى 12.2% مقارنة بالطرق التقليدية، ويتفوق بشكل خاص في التقاط أنماط انبعاث الدوامات والاضطرابات المحلية.
لا يعزز الإطار الدقة فحسب، بل يحقق أيضًا كفاءة حسابية كبيرة مقارنة بمحاكيات الديناميكا الهوائية الحاسوبية عالية الدقة (CFD). من خلال تضمين Grad-CAM في خط أنابيب النمذجة، تؤكد الدراسة على أهمية التركيز على مناطق السحب النشطة ديناميكيًا لتحسين التنبؤات. بينما تقتصر التنفيذ الحالي على شرائح ثنائية الأبعاد من تكوين أحادي القطب عالي الرقم رينولدز، ستستكشف الأبحاث المستقبلية قابليته للتطبيق عبر أرقام رينولدز المختلفة، وأشكال الأسس، وظروف التدفق غير المستقر. تقدم هذه الدراسة نهجًا واعدًا لتوقع السحب، مع آثار على تصميم أسس الرياح البحرية وأنظمة الطاقة المتجددة البحرية.
مقدمة
تتناول مقدمة هذه الورقة البحثية الآثار البيئية لأسس توربينات الرياح البحرية، وخاصة تأثيراتها على الظروف الهيدروديناميكية المحلية في المياه المتدرجة موسميًا. تخلق هذه الهياكل المغمورة سحبًا تحت الماء يمكن أن تعطل نقل الرواسب، وتوزيع المغذيات، والخلط بالقرب من القاع، مما يؤثر على النظم البيئية القاعية والديناميات البيئية البحرية. بينما تم دراسة السحب الجوية بشكل موسع، لا تزال السحب الهيدروديناميكية الناتجة عن هذه الأسس أقل استكشافًا، مما يبرز فجوة حاسمة في التنمية المستدامة لأنظمة طاقة الرياح البحرية.
لتحليل هذه الديناميات المعقدة للسحب، تناقش الورقة استخدام الديناميكا الهوائية الحاسوبية عالية الدقة (CFD) والتحديات المرتبطة بمطالبها الحاسوبية. تُقدم تقنيات النمذجة ذات الترتيب المخفض (ROM)، وخاصة تحليل التكوين المناسب (POD)، كطرق فعالة لالتقاط الهياكل الأساسية للتدفق بتكلفة حسابية أقل. لقد عززت التطورات الأخيرة في التعلم الآلي، وخاصة شبكات الذاكرة طويلة وقصيرة الأجل (LSTM)، قدرات ROM، مما يسمح بتحسين التنبؤات لديناميات السحب. ومع ذلك، غالبًا ما تفتقر النماذج المعتمدة على LSTM الحالية إلى التكيف المكاني، مما قد يؤدي إلى تمثيل غير كافٍ للهياكل المحلية للسحب. لمعالجة هذه القيود، تقترح الدراسة إطار عمل هجين جديد مدرك للمنطقة يدمج تحديد منطقة السحب مع النمذجة ذات الترتيب المخفض، بهدف تعزيز الدقة والكفاءة في توقعات السحب غير المستقرة مع الحفاظ على التناسق عبر مجال التدفق بالكامل.
النتائج
تشير النتائج إلى أن الطرق المقترحة تؤدي إلى تلطيف السعة في الأنظمة التي تم تحليلها، مع الحفاظ بشكل فعال على الطور ومحتوى التردد السائد. تشير هذه النتيجة إلى توازن بين سلامة الإشارة وعملية التلطيف. يقترح المؤلفون أن الأبحاث المستقبلية يمكن أن تعالج القيود الحالية من خلال استكشاف صيغ خسارة موزونة بالطاقة أو متكيفة مع الوضع. بالإضافة إلى ذلك، يقترحون أن التعديلات المعمارية يمكن أن تعزز الاحتفاظ بالديناميات عالية السعة المتقطعة، مما يضمن عدم المساس بالاستقرار العددي في هذه العملية.
المناقشة
ت outlines قسم المناقشة منهجية شاملة لنمذجة وتوقع ديناميات السحب المضطرب الناتجة عن أسطوانة دائرية، تمثل أساسًا أحادي القطب في تطبيقات الرياح البحرية. تبدأ الطريقة بتحديد منطقة سحب ذات دلالة إحصائية باستخدام آلية تعتمد على Grad-CAM، مما يسهل النمذجة ذات الترتيب المخفض (ROM) المركزة. ثم يتم تحليل مجال التدفق إلى تمثيلات مضغوطة من خلال تحليل التكوين المناسب (POD)، تليها التنبؤ الزمني بمعاملات POD باستخدام بنية هجينة من الذاكرة طويلة وقصيرة الأجل (LSTM) ووحدة التكرار المغلقة (GRU). يلتقط هذا النموذج كل من السلوكيات الدورية طويلة الأجل والديناميات قصيرة الأجل، مما يمكّن في النهاية من إعادة بناء مجال السرعة ودمج التنبؤات المحلية والعالمية لضمان التناسق الفيزيائي.
تُجرى محاكيات الديناميكا الهوائية الحاسوبية (CFD) تحت ظروف مضطربة بالكامل، تتميز برقم رينولدز يبلغ حوالي \(4 \times 10^6\). تؤكد المنهجية على أهمية التقاط ديناميات السحب غير المستقرة بدقة، والتي تتأثر بانبعاث الدوامات وعدم استقرار طبقات القص. تظهر النتائج أن POD المقيد بالسحب يحتفظ بفعالية بطاقة التذبذب الكبيرة مع الحفاظ على الكفاءة الحسابية، مما يبرز التوازن بين التمثيل العالمي والديناميات المحلية. تؤكد نتائج الدراسة على التطبيقات المحتملة لهذا الإطار في تحسين مواقع مزارع الرياح، وتصميم الأسس، وتقييمات الأثر البيئي، بينما تساهم أيضًا في فهم سلوك السحب المضطرب في البيئات البحرية.
القيود
ت stem القيود في إطار البحث الحالي بشكل أساسي من افتراضات النمذجة، التي تقيد قابليتها للتعميم. يعتمد التحليل على شرائح أفقية ثنائية الأبعاد من مجال تدفق ثلاثي الأبعاد، مما يعطي الأولوية للكفاءة الحسابية ووجود الهياكل السحابية المتماسكة أفقياً. تتجاهل هذه التبسيطات الديناميات الحرارية الرأسية الحرجة، مثل تمدد الدوامات ثلاثية الأبعاد وتبادل الزخم عبر المستويات، والتي يمكن أن تؤثر بشكل كبير على سلوك السحب، خاصة في التدفقات المتدرجة أو تحت تفاعلات الأمواج السطحية. بالإضافة إلى ذلك، تم التحقق من صحة النموذج فقط لسيناريو واحد عالي الرقم رينولدز (Re ≈ 4 × 10^6) وجيومتري أحادي القطب محدد، مما يترك قابليته للتطبيق على أرقام رينولدز الأخرى، وتصميمات الأسس (مثل هياكل الجاكيت أو الثلاثي القوائم)، وظروف التدفق المتغيرة غير مختبرة.
على الرغم من هذه القيود، يظهر الإطار إمكانات كبيرة لتطبيقات هندسة الرياح البحرية المتوافقة مع الافتراضات الحالية. يمكن أن تعزز التنبؤات الدقيقة لديناميات السحب تحليلات مواقع الأسس، وتحسن تصميمات تخطيط المستوى على مستوى المصفوفة من خلال تحسين نمذجة التفاعل الهيدروديناميكي، وتساعد في تقييمات الأثر البيئي وفقًا للوائح مثل توجيه استراتيجية البحر الأوروبي. يجب أن تركز الأبحاث المستقبلية على توسيع المنهجية لتشمل نماذج ثلاثية الأبعاد بالكامل والتحقق من صحتها عبر مجموعة أوسع من أرقام رينولدز وجيومترات الأسس. قد يؤدي دمج آليات قائمة على الانتباه أو قيود مستندة إلى الفيزياء إلى تحسين متانة النموذج بشكل أكبر وتسهيل تطوير أدوات نمذجة ذات ترتيب مخفض قابلة للتشغيل لتطبيقات الطاقة المتجددة البحرية.
DOI: https://doi.org/10.1016/j.rineng.2026.109518
Publication Date: 2026-02-13
Author(s): Yifan Ma et al.
Primary Topic: Model Reduction and Neural Networks
Overview
This study introduces a region-aware hybrid modeling framework aimed at improving the prediction of unsteady wake dynamics behind offshore wind turbine foundations, characterized by nonlinearity and temporal variability. Traditional recurrent neural network (RNN) methods have struggled with these complex flows due to their limited spatial awareness. The proposed framework integrates three components: automatic detection of wake regions using a CNN enhanced with Grad-CAM, Proper Orthogonal Decomposition (POD) for dimensionality reduction, and a hybrid Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) network for temporal modeling. The model demonstrates significant improvements in predictive accuracy, reducing the mean absolute relative error (MARE) from 15.6% to 12.2% compared to conventional methods, particularly excelling in capturing vortex shedding patterns and localized disturbances.
The framework not only enhances accuracy but also achieves substantial computational efficiency relative to high-fidelity computational fluid dynamics (CFD) simulations. By embedding Grad-CAM into the modeling pipeline, the study emphasizes the importance of focusing on dynamically active wake regions for improved predictions. While the current implementation is limited to two-dimensional slices of a high-Reynolds-number monopile configuration, future research will explore its applicability across various Reynolds numbers, foundation geometries, and unsteady inflow conditions. This work presents a promising approach for wake prediction, with implications for offshore wind foundation design and marine renewable energy systems.
Introduction
The introduction of this research paper addresses the environmental implications of offshore wind turbine foundations, particularly their effects on local hydrodynamic conditions in seasonally stratified waters. These submerged structures create underwater wakes that can disrupt sediment transport, nutrient distribution, and near-bottom mixing, thereby impacting benthic ecosystems and marine ecological dynamics. While atmospheric wakes have been extensively studied, the hydrodynamic wakes from these foundations remain less explored, highlighting a critical gap in the sustainable development of offshore wind energy systems.
To analyze these complex wake dynamics, the paper discusses the use of high-fidelity computational fluid dynamics (CFD) and the challenges associated with its computational demands. Reduced-order modeling (ROM) techniques, particularly Proper Orthogonal Decomposition (POD), are presented as effective methods for capturing essential flow structures at a lower computational cost. Recent advancements in machine learning, especially Long Short-Term Memory (LSTM) networks, have further enhanced ROM capabilities, allowing for improved predictions of wake dynamics. However, existing LSTM-based models often lack spatial adaptivity, which can lead to underrepresentation of localized wake structures. To address this limitation, the study proposes a novel region-aware hybrid LSTM framework that integrates wake-region identification with reduced-order modeling, aiming to enhance the accuracy and efficiency of unsteady wake predictions while maintaining coherence across the entire flow field.
Results
The results indicate that the proposed methods lead to amplitude smoothing in the analyzed systems, while effectively maintaining the phase and dominant frequency content. This finding suggests a balance between signal integrity and the smoothing process. The authors propose that future research could address the current limitations by exploring energy-weighted or mode-adaptive loss formulations. Additionally, they suggest that architectural modifications could enhance the retention of intermittent high-amplitude dynamics, ensuring that numerical stability is not compromised in the process.
Discussion
The discussion section outlines a comprehensive methodology for modeling and predicting the dynamics of turbulent wakes generated by a circular cylinder, representative of a monopile foundation in offshore wind applications. The approach begins with the identification of a statistically significant wake region using a Grad-CAM-based mechanism, which facilitates focused reduced-order modeling (ROM). The flow field is then decomposed into compact representations through Proper Orthogonal Decomposition (POD), followed by temporal prediction of the POD coefficients using a hybrid Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) architecture. This model captures both long-term periodic behaviors and short-term dynamics, ultimately enabling the reconstruction of the velocity field and blending of wake and global predictions to ensure physical consistency.
The computational fluid dynamics (CFD) simulations are conducted under fully turbulent conditions, characterized by a Reynolds number of approximately \(4 \times 10^6\). The methodology emphasizes the importance of accurately capturing the unsteady wake dynamics, which are influenced by vortex shedding and shear-layer instabilities. The results demonstrate that the wake-restricted POD effectively retains significant fluctuation energy while maintaining computational efficiency, highlighting the trade-off between global representation and localized dynamics. The study’s findings underscore the potential applications of this framework in optimizing wind farm siting, foundation design, and environmental impact assessments, while also contributing to the understanding of turbulent wake behavior in marine environments.
Limitations
The limitations of the current research framework primarily stem from its modeling assumptions, which restrict its generalizability. The analysis relies on two-dimensional horizontal slices of a three-dimensional flow field, prioritizing computational efficiency and the predominance of horizontally coherent wake structures. This simplification overlooks critical vertical flow dynamics, such as three-dimensional vortex stretching and cross-plane momentum exchange, which could significantly influence wake behavior, particularly in stratified flows or under surface-wave interactions. Additionally, the model has only been validated for a single high-Reynolds-number scenario (Re ≈ 4 × 10^6) and a specific monopile geometry, leaving its applicability to other Reynolds numbers, foundation designs (e.g., jacket or tripod structures), and variable inflow conditions untested.
Despite these constraints, the framework demonstrates considerable potential for offshore wind engineering applications aligned with the current assumptions. Accurate predictions of wake dynamics can enhance foundation siting analyses, optimize array-level layout designs by improving hydrodynamic interaction modeling, and aid in environmental impact assessments in accordance with regulations like the EU Marine Strategy Framework Directive. Future research should focus on extending the methodology to fully three-dimensional models and validating it across a wider range of Reynolds numbers and foundation geometries. Incorporating attention-based mechanisms or physics-informed constraints may further improve the model’s robustness and facilitate the development of operational reduced-order modeling tools for marine renewable energy applications.