-
题名基于物理约束深度学习的大跨柔性光伏阵列绕流场重构
- 1
-
-
作者
张春伟
柯世堂
王伯洋
余玮
梁珂
马文勇
-
机构
南京航空航天大学民航学院
南京航空航天大学土木工程动力多灾害防护江苏高校重点实验室
石家庄铁道大学土木工程学院
-
出处
《空气动力学学报》
北大核心
2025年第4期91-102,I0002,共13页
-
基金
国家自然科学基金NSFC-RGC合作研究重点项目(52321165649)
江苏省杰出青年科学基金(BK20211518)
江苏省研究生科研与实践创新计划项目(KYCX22_0374)。
-
文摘
大跨柔性光伏阵列因双向串联结构引发的排间复杂三维绕流效应是导致其发生风致破坏的重要原因之一,传统物理风洞试验难以直接捕捉排间干扰下流场流动全过程的分布特性,而深度学习方法为实现复杂流场的精确重构与预测提供了新思路。为了重构大跨柔性光伏阵列的速度场和压力场,以国电投江苏盐城柔性光伏示范基地40 m跨度五排三跨光伏阵列为研究对象,通过大涡模拟获取大跨柔性光伏阵列脉动风场数据,在此基础上提出了一种损失函数嵌入N-S方程和连续性方程约束的全连接神经网络深度学习方法,建立了数据驱动模型和数据-物理双驱动模型。结果表明:相较于数据驱动模型,数据-物理双驱动模型可以更加精确地捕捉大跨柔性光伏阵列绕流场特征,其中前两排及第四排光伏板后侧、上下缘及尾流区流向速度重构误差分别降低60.2%和36.6%,光伏板上下缘横向速度重构误差降低53.7%,流向速度和横向速度的全场重构误差分别为16.6%和18.5%;当损失函数缺乏压力项时,数据驱动模型无法从训练数据中捕捉压力信息,而数据-物理双驱动模型的N-S方程和连续性方程可引导模型通过速度场信息求解压力场,得到的排间绕流区压力场平均重构误差仅为16.1%。本研究为风荷载作用下复杂结构绕流场智能重构新方法提供了参考。
-
关键词
大跨柔性光伏阵列
大涡模拟
物理约束神经网络
损失函数
流场重构
深度学习
-
Keywords
large-span flexible PV array
large vortex simulation
physics-informed neural network
loss function
flow field reconstruction
deep learning
-
分类号
TU312.1
[建筑科学—结构工程]
TK81
[动力工程及工程热物理—流体机械及工程]
-
