《Journal of Marine Science and Engineering》：A Time-Domain Approach for Aerodynamic Mass and Damping of Wind Turbine Blades
编辑推荐：
论文摘要的专业翻译如下：
风力机在风、浪和地震等复杂环境荷载作用下表现出显著的动力响应。为此，本研究提出一种显式考虑叶片动力效应的解耦气动弹性分析方法。首先，开展基于高保真计算流体力学（CFD）的受迫振动模拟，以识别沿叶片展向分布的、随频率变化的气动附加质量与
论文摘要的专业翻译如下：
风力机在风、浪和地震等复杂环境荷载作用下表现出显著的动力响应。为此，本研究提出一种显式考虑叶片动力效应的解耦气动弹性分析方法。首先，开展基于高保真计算流体力学（CFD）的受迫振动模拟，以识别沿叶片展向分布的、随频率变化的气动附加质量与气动阻尼。基于上述结果，针对四种风力机配置（NREL 5 MW、DTU C10 MW、IEA 15 MW和IEA 22 MW）建立气动参数数据库。其次，利用该数据库开发多层前馈神经网络代理模型，以预测不同运行工况下的气动参数。随后，采用有理函数逼近（Rational Function Approximation, RFA）将频域气动传递函数转化为低阶时域状态空间表示。所得模型通过用户自定义单元（User-Defined Element, UEL）在ABAQUS中实现，从而将气动效应直接纳入结构动力分析。最后，在5 MW和15 MW风力机稳态风、湍流风及风-地震联合荷载工况下，将所提出的解耦气动弹性框架与全耦合模拟进行对比验证。结果表明，所提出的框架能够复现全耦合模型的主要动力响应，同时大幅降低计算成本。
以下是对论文主体内容的专业解读文章：
一、研究背景与问题提出
随着全球向低碳能源体系转型，海上风力机不断向大型化和柔性化方向发展。在风、浪、地震等联合环境荷载作用下，叶片运动与周围流场之间产生强烈的气动弹性相互作用，直接影响结构动力学特性、气动载荷和运行安全。在传统解耦模型中，气动载荷通常以集中参数形式在风轮-机舱组件（RNA）或等效风轮层面表示，沿叶片展向分布的、随频率变化的气动附加质量与气动阻尼未能被显式表征，从而限制了叶片层面动力响应预测的精度。因此，精确表征这些气动参数对于大型风力机的高保真气动弹性建模至关重要。
现有研究已发展了多种基于叶素动量（BEM）理论、计算流体力学（CFD）和集成仿真框架的气动与气动弹性建模方法，以平衡计算效率与预测精度。然而，气动附加质量和气动阻尼并非恒定值，而是随运行和运动条件变化，包括风速、振荡频率、振荡幅值、桨距角和展向位置等。特别是气动阻尼表现出显著的频率依赖性，在某些低频运动下甚至可能变为负值。因此，恒定或准定常的气动参数可能无法充分表征大型柔性风力机叶片的动力特性。随着风力机持续大型化以及叶片柔性增加，这一局限性愈发突出。当气动效应仅在RNA或风轮层面以等效参数表示时，其展向分布和频率依赖性无法被显式保留，可能导致叶片层面气动弹性响应预测不准确。
机器学习（ML）为从高保真气动数据构建代理模型提供了有效途径。然而，以往研究主要将ML用于加速BEM计算或预测全局气动、结构和疲劳响应，针对叶片运动引起的、随频率和展向分布的气动附加质量与阻尼的快速预测研究相对有限。为此，本文开发了基于ML的代理模型，以建立运行条件与对应气动参数之间的非线性映射关系。
二、研究内容与主要结论
基于上述考虑，本文建立了一个时域解耦气动弹性框架，将随频率变化且沿展向分布的气动附加质量与气动阻尼纳入叶片层面动力分析。首先，针对NREL 5 MW、DTU 10 MW、IEA 15 MW和IEA 22 MW四种代表性风力机建立了基于CFD-流固耦合（FSI）的参数识别框架。从CFD-FSI模拟中识别的气动附加质量与阻尼用于构建多层前馈神经网络代理模型，以实现参数快速预测。预测得到的频域气动参数随后通过有理函数逼近（RFA）转化为时域状态空间表示，并以用户自定义单元（UEL）形式在ABAQUS中实现。所建立的UEL气动模型与准定常BEM气动载荷耦合，构成所提出的解耦气动弹性框架。该框架在稳态风、湍流风和风-地震联合荷载工况下，与NREL 5 MW和IEA 15 MW参考风力机的全耦合OpenFAST模拟进行了对比验证。
三、关键技术方法
研究人员采用了以下主要技术方法：（1）基于非定常雷诺平均Navier-Stokes（URANS）方程和SST k-ω湍流模型的CFD-FSI双向耦合模拟，通过受迫谐波振动识别叶片展向分布的气动附加质量与阻尼；（2）采用时间域最小二乘回归和频域相位差分析两种互补方法提取气动参数；（3）构建多层前馈神经网络（三层隐含层，神经元数为128-64-32）代理模型，实现气动参数的快速预测；（4）采用有理函数逼近将频域气动传递函数转化为低阶时域状态空间表示；（5）通过ABAQUS用户自定义单元（UEL）实现气动效应的时域集成。
四、研究结果
4.1 气动参数识别与频率依赖性分析
在额定风速下，NREL 5 MW和IEA 15 MW风力机叶片中展位置（r/R=0.5）的气动附加质量表现出显著的频率依赖性。在低频范围内，附加质量随频率增加而显著减小；随着频率增加，附加质量逐渐趋近于近似恒定值（约为其低频幅值的60%），而附加阻尼则趋近于零。这表明在高频下流体无法跟随叶片的快速运动，气动效应实质上被“冻结”。对于DTU 10 MW、IEA 15 MW和IEA 22 MW参考风力机，观察到类似的频率依赖趋势，但附加质量和阻尼的幅值随风力机容量显著增加。定量而言，15 MW风力机叶尖附加质量约为5 MW风力机的3.2倍，附加阻尼约为2.8倍；22 MW风力机则分别约为5 MW风力机的5.1倍和4.5倍。
4.2 机器学习代理模型预测性能
以5 MW和15 MW风力机为代表案例，气动附加质量预测的R2=0.96，均方根误差（RMSE）为0.12 kg/m；气动阻尼预测的R2=0.91，RMSE为23 N·s/m2。对于10 MW和22 MW风力机类别，也观察到类似的预测性能（R2>0.90），表明具有较强的跨类别泛化能力。在计算效率方面，训练后的代理模型在单CPU核心上每次预测约需0.01秒，而对应的CFD模拟在32个并行核心上约需2小时，计算加速约7.2×10?倍。
4.3 5 MW风力机动力响应验证
在稳态风（11.4 m/s）条件下，塔顶水平位移和塔底弯矩的峰值误差分别为1.8%和1.5%。在湍流风条件下（平均风速7、11.4和18 m/s），所有工况的相对误差保持在10%以内。在风-地震联合荷载（Bolu波）条件下，塔顶加速度峰值误差为5.4%，塔底弯矩误差为6.9%。虽然解耦模型略微高估结构响应，但差异在可接受的工程精度范围内。
4.4 15 MW风力机动力响应验证
在稳态入流（10.8 m/s）条件下，塔顶位移和塔底弯矩的相对误差分别为2.1%和1.9%。在湍流风条件下（平均风速10.8 m/s，六次独立湍流实现），对应误差分别为6.1%和5.8%。在风-地震联合荷载（CHY101波）条件下，结果同样表明解耦模型能够较好地复现全耦合模型的响应特征。
五、讨论与结论
研究结果表明，所提出的解耦框架在稳态风条件下与全耦合模型高度一致，误差低于2%。在湍流风条件下误差适度增加，主要与湍流激励的宽带特性有关，高阶结构模态可在更宽的频率范围内被激发，而这些效应无法被离散频率气动识别完全表征。弯矩在某些情况下比塔顶位移表现出略大的误差，表明与高阶模态贡献相关的结构响应对气动近似更为敏感。在风-地震联合荷载下，误差保持在7%以下。
研究结论表明，所提出的时域解耦气动弹性框架能够在保持计算效率的同时，准确复现全耦合模型在多种荷载工况下的主要动力响应，为大型风力机叶片层面的气动弹性分析提供了一种高效且可靠的工程分析方法。该框架通过机器学习代理模型实现气动参数的快速预测，结合有理函数逼近和用户自定义单元实现时域集成，显著降低了计算成本，为大型柔性风力机的气动弹性设计与评估提供了新的技术途径。
