基于深度学习的多萨尔特鸭式波浪能发电场水动力分析与设计的快速高效框架

本综述提出一种创新的两阶段深度学习框架（TSARAO），用于快速精准预测多萨尔特鸭式波浪能转换器（WEC）阵列的水动力性能。该模型通过分解单体动力学（WCRAO）与邻近单元交互效应（CCE）预测，结合ResNeXt解码器（Dec-WCRP）与注意力门控U-NeXt（AGU-CCEP）架构，显著提升计算效率（较边界元法/BEM提速显著）与预测精度（MAE降低19.3%-62.5%），为大规模波浪能农场优化设计提供突破性解决方案。

　　

^Highlight

本研究引入TSARAO预测框架——一种用于高效评估多萨尔特鸭式WEC阵列水动力性能的创新代理建模方法。该技术通过将预测任务解耦为两个独立阶段来有效应对复杂的水动力交互作用：使用Dec-WCRP估算WCRAO，以及通过AGU-CCEP预测邻近WEC产生的CCE。这种分解结合专门的深度学习架构，使得模型能够以卓越的精度（较性能最佳的基准模型，WCRAO和CCE预测的MAE分别降低19.3%和62.5%）和极快的速度（相比传统BEM计算所需数小时，本模型仅需数秒）处理高维RAO矩阵。

^{Hydrodynamic setup validation}

本研究的BEM模型通过两种不同场景与实验数据（转子案例还结合了非线性CFD分析）进行了验证。图15a展示了基于实验设置（Poguluri等，2021）的单WEC转子的验证结果。图15b显示了并排布置的两个驳船（Xu等，2014）与实验数据的验证结果。两种情况下，BEM模型均与实验数据表现出良好的一致性，验证了模型在后续分析中的准确性。

^Conclusion

本研究引入了TSARAO预测框架，一种用于高效估算多萨尔特鸭式WEC阵列水动力性能的新型代理建模方法。该方法论通过将预测任务分解为两个 distinct（ distinct ）阶段：使用Dec-WCRP估算WCRAO，以及使用AGU-CCEP预测邻近WEC产生的CCE，有效应对了复杂的水动力交互作用。这种分解，结合专门设计的深度学习架构，使模型能够以高精度（较性能最佳基准模型，WCRAO和CCE预测的MAE分别降低19.3%和62.5%）和极快速度（相比传统BEM计算所需数小时，本模型仅需数秒）处理高维RAO矩阵。