一种基于物理知识的大型语言模型（LLM）代理，用于发现台风和地震引发的涡轮机故障，并制定相应的离线偏航-俯仰控制对策

《iScience》：A physics-informed LLM agent for uncovering typhoon- and earthquake-induced turbine failures and offline yaw-pitch countermeasures

　　亮点：
- 一种基于物理知识的语言模型代理能够自动化风力涡轮机模拟工作流程。
- 领域适应性提升了基准测试和端到端模拟任务的性能。
- 台风和地震案例展示了不同的风力涡轮机故障模式。
- 离线偏航-俯仰流形支持在极端载荷下的停置状态比较。

摘要：
极端台风和地震可能对风力涡轮机结构造成严重破坏，这凸显了更好地理解故障机制和潜在缓解策略的必要性。本研究开发了Iwind，这是一种用于风力涡轮机工程分析的基于物理知识的大型语言模型代理。通过领域特定训练和多路径检索增强生成技术，Iwind结合了ReAct风格的推理与模型上下文协议，以调用内部物理求解器Zwind进行自然语言驱动的载荷模拟。在报告的评估中，Iwind在风力涡轮机知识任务上表现优于其父模型，并支持载荷模拟执行和视觉损伤检测。收集的案例显示，在台风载荷下出现了叶片断裂、塔架屈曲和倒塌现象，而一些地震受损的涡轮机在基础或下部支撑结构上显示出更明显的损伤。参数化的Zwind模拟进一步揭示了所研究台风和地震情况下的W型和M型离线偏航-俯仰响应流形，为停置状态比较和危险区域识别提供了基于模拟的参考。

视频摘要：
下载视频（mp4，21 MB）

图形摘要：
介绍：
2024年，风力发电的装机容量达到了117吉瓦，正在进入新的地理区域，并巩固其作为全球能源转型的核心支柱的地位。作为累计装机容量和新安装容量最大的区域风能市场，中国处于这一扩张的最前沿。然而，这一庞大的基础设施面临着来自极端灾害（尤其是台风和地震）的前所未有的风险。例如，平均每年有九个台风登陆中国东南海岸。尽管有频繁关于结构故障的报告，但定量研究和可靠的设计对策仍然很少。历史上，揭示风力涡轮机在极端台风下的故障机制仍是一个未解决的挑战。2003年9月，台风Maemi袭击了日本，估计最大阵风风速达到90米/秒。在这场灾难中，Ishihara等人研究了多座涡轮机塔的倒塌，并发现台风引起的最大弯矩显著超过了塔架的极限承载能力。同样，在2008年台湾的风暴Jangmi中，Chou等人将塔架倒塌和叶片损坏归因于材料强度不足、共振效应和控制故障。几年后，超强台风Usagi（2013年）摧毁了广东省的一个沿海风电场，损坏了35片叶片，造成约1600万元人民币的直接经济损失。最近，超强台风Yagi（2024年）表明，即使在技术先进的时代，像海南文昌这样的地区仍然会发生广泛的结构破坏。这些连续事件表明，在高风速和大偏航角下的故障机制尚未完全理解。

除了极端风载荷外，最近在地震频发地区（如中国、美国、印度和东亚）安装的大量风力涡轮机也凸显了充分考虑这些能源系统地震影响的必要性。尽管近年来研究人员越来越认识到地震载荷对运行中风力涡轮機的重要性，但综合研究仍然有限。现有文献主要关注影响风力涡轮机结构地震响应的关键因素（Witcher；Ishihara和Sawar；Asareh等人；Valamanesh和Myers）。Witcher使用GH Bladed地震模块研究了2兆瓦风力涡轮机的停置、运行和地震引发紧急关闭情况。Asareh等人评估了NREL 5兆瓦参考涡轮机在多种运行情景下的空气动力学和地震耦合响应。Ishihara等人随后指出，控制运行情景取决于风向和地震方向之间的不对齐：在0°不对齐时紧急关闭会产生最大塔基弯矩，而在90°不对齐时正常运行会产生最大载荷。这一发现强调了风向-地震耦合的重要性。尽管有这些基础性工作，但在极端地震事件下的结构故障模式及其相应的工程对策方面，系统性的证据仍然有限。

传统上，研究这些极端台风和地震故障严重依赖于繁琐的手动现场调查和孤立的数值模拟。随着灾害评估任务变得越来越复杂和劳动密集型，研究人员越来越多地转向人工智能（AI）来实现工作流程自动化。最近的一篇综述强调了机器学习在支持和解释极端事件方面的潜力。例如，AI辅助工具在自动化极端天气评估的部分过程中显示出潜力，包括预测支持和风险沟通。Aurora作为地球系统预测的大规模基础模型，其在天气预报和空气质量预测等任务中达到了最先进的性能。通过从海量数据集中生成快速预测，这些数据驱动的模型大大增强了自然灾害的早期预警系统。

最近的研究表明，AI支持的代理可以简化各个领域科学工作流程的特定部分。例如，DisasTeller是一个由多个大型视觉语言模型（LVLM）驱动的框架，旨在自动化灾后管理任务，包括现场评估、紧急警报、资源分配和恢复计划。通过将四个专门的LVLM代理与GPT-4作为核心进行协调，DisasTeller加速了灾害响应活动，减少了手动执行时间，并优化了信息流，尽管它仍然需要人工验证和进一步提高LVLM的准确性。尽管取得了这些进展，DisasTeller尚未将视觉评估与基于物理的模拟联系起来，也没有形成封闭的工程分析循环。在其他领域也设计了类似的代理。例如，SciToolAgent提出了一个使用科学工具知识图进行工具选择和多工具协调的大型语言模型代理。在生物化学领域，PLMeAE引入了一个由蛋白质语言模型支持的自动进化平台，利用蛋白质语言模型进行学习和设计，在封闭的自动化生物制造环境中执行构建和测试阶段。在海洋科学领域，OceanGPT提出了一个特定于领域的新型语言模型和多代理框架，用于生成海洋领域的教学数据和评估基准。虽然这些现有进展成功自动化了信息获取、组织和推理等知识层面的过程，但它们通常无法自动化工程层面的模拟执行。在本研究中呈现的台风和地震引发的复杂工程场景中，结合可用观测数据的自动化模拟对于高效可靠的分析至关重要。

本研究专注于极端台风和地震载荷下的风力涡轮机结构，建立了一个集成的基于物理模拟的LLM代理，用于风力涡轮机工程。其核心贡献是将自然语言工程请求与可执行且可追溯的模拟工作流程联系起来。在此框架内，Iwind代理执行意图识别、任务分解、模拟协调、基于MCP的工具调用、结果解析和闭环一致性检查，而Zwind则执行底层的基于物理的计算。这种分工支持在所研究的台风和地震条件下系统地分析结构响应、故障机制和候选停置状态控制指导。通过领域特定模型训练、多路径RAG、基于MCP的求解器接口和外部视觉识别模块的支持，以及STAR方法中详细描述的相应训练、检索、工具执行和视觉分析程序，实现了自然语言驱动的工程工作流程。

Iwind代理的架构：
图1展示了Iwind代理组织基于物理知识的任务执行的五个功能模块。

Zwind作为模拟模块中的物理求解器。意图识别模块（识别器）解释用户查询和任务目标，而迭代反射模块（反射器）通过持续反馈和迭代改进来提升系统性能。知识推理模块（称为询问器）采用检索增强生成（RAG）和多路径检索，为台风或地震损害分析提供结构化的领域知识支持。模拟执行模块（称为模拟器）使用模型上下文协议（MCP）作为标准化接口，集成专有的风力涡轮机CAE软件Zwind，从而实现对风力涡轮机结构的复杂载荷和结构响应模拟。感知模块（称为检测器）结合计算机视觉和视觉语言模型处理多模态输入，实现自动化损伤检测和故障定位。通过这些模块之间的协调互动，Iwind代理将工程请求转换为模拟任务，准备所需的输入，调用Zwind和后处理脚本，并组织结果证据以供分析和报告。Zwind执行耦合的物理计算，并生成相应的载荷和结构响应。这种集成设计提高了台风和地震相关损害评估的可追溯性和效率。

我们从相同的DeepSeek-R1-0528-Qwen3-8B父模型在WindBench上的五种配置进行了评估，WindBench是一个包含15,000个中文问答对的独立基准测试，涵盖15个任务类别。表1报告了它们的绝对分数。

所有指标均以0-100的绝对分数报告，并基于相同的15,000个中文问答对计算得出。每对问题都有一个专家审核的参考答案。表1显示了评估配置之间的分数逐步提高。基础模型+RAG配置获得了比基础模型更高的分数，而监督微调在ROUGE和文本覆盖率方面进一步提升了分数。在SFT模型中添加RL提高了所有五个指标的分数。完整配置在这次比较中取得了最高值，BLEU-4为1.10，ROUGE-1为41.5，ROUGE-2为20.4，ROUGE-L为38.9，文本覆盖率为40.0。

为了评估Iwind代理的实际相关性，我们将其应用于三个代表性的海上风电任务，如科普问答、载荷模拟和视觉损伤检测。图2比较了基础模型和Iwind代理对两个代表性的问题的响应。在这些例子中，Iwind代理生成了更结构化且更具领域针对性的响应，包括涡轮机组件、生命周期考虑和几种深海风电发展方向。

除了回答问题外，Iwind代理的第二个核心能力是自然语言驱动的Zwind载荷模拟自动化。从用户请求开始，代理解释任务，提取和检查所需参数，生成与Zwind兼容的输入文件，通过MCP调用求解器，并收集结果输出文件夹和文件。Zwind在规定的模型假设下执行相应的数值计算。模拟完成后，会调用确定性的后处理脚本来提取和组织结果，以便可视化、工程解释和报告。公开可用的代码和可复制材料实现了这一工作流程，使读者能够独立执行和验证从自然语言输入到模拟输出和确定性后处理的整个过程。

表2提供了模型执行工程任务的模拟输入生成和端到端任务完成的评估结果。一个端到端任务只有在代理完成意图识别、参数提取、仿真输入生成、基于MCP的工具调用、仿真执行、预期输出文件夹及.out文件的生成、最大应力提取以及最终工程报告后才能被视为成功。此外，自动化工作流获得的最大应力与手动配置的Zwind仿真得到的最大应力之间的绝对差异必须不超过5 MPa。这一阈值被用作工作流比较的操作一致性标准，而不是Zwind物理准确性的独立验证。如表2所示，领域适应和检索增强都提高了Zwind相关任务的执行效率，相对于基模型有所改进。将强化学习（RL）加入SFT模型后，仿真输入生成率从73.3%提升到80.0%，端到端任务完成率从73.3%提升到76.7%。全配置方案达到了最高的效率，仿真输入生成率为86.7%，端到端完成率为83.3%。这些阶段性比较表明SFT、RL和RAG在评估的工作流中具有互补的增量效益。由于并未测试所有可能的组件组合，因此结果不应被解释为独立主效应或交互作用的完整因子分析。MCP、ReAct、RAG、LoRA和GRPO仍然是成熟的启用方法；它们的评估贡献在于它们与离岸风力语料库WindBench以及Iwind代理与Zwind之间的可执行耦合。这些受控比较旨在评估在固定父模型和工作流下SFT、RL和RAG的增量效应，而不是为了与通用前沿模型进行交叉模型排名。

在视觉损伤检测方面，Iwind代理实现了从涡轮组件图像到维护建议的端到端流程。视觉流程筛选输入图像中的七种可见表面缺陷类型（灼烧、裂纹、变形、污垢、油渍、剥落和锈蚀），并将检测到的区域作为后续严重性评估和维护建议生成的输入。YOLO检测器在保留的测试集上进行了评估，表现最佳的检测器达到了0.615的精确度、0.427的召回率、0.482的mAP@0.5和0.221的mAP@0.5:0.95。最佳F1分数为0.490，置信度阈值为0.322。特定类别的AP@0.5值介于0.232到0.715之间，表明性能处于中等水平且具有类别依赖性。因此，本研究将此检测器作为可见表面缺陷筛选的辅助模块，而不是作为结构损伤诊断的独立工具。

总体指标
损伤类别 AP@0.5
精确度 0.615
灼烧 0.715
召回率 0.427
裂纹 0.383
mAP@0.5 0.482
变形 0.456
mAP@0.5:0.95 0.221
污垢 0.617
F1 0.490
油渍 0.232
最佳F1置信度 0.322
剥落 0.425
锈蚀 0.543

表3显示了YOLO检测器在保留的测试集上的总体和特定类别性能

5000张图像的数据集被划分为训练集、验证集和保留的测试集，比例为7:2:1，分别对应3500张、1000张和500张图像。报告的值使用了表现最佳的检测器的结果。AP表示平均精确度。数值保留三位小数。

图3展示了Iwind代理作为一个完全集成的闭环工作流的示例，该流程从台风损伤感知开始，经过信息推断、仿真执行以及仿真和观测重新检查。这个简化的工作流程确保了所有阶段的顺畅数据流动和交互。最初，多源现场数据被处理以提取关键台风特征，包括强度、路径和影响区域。同时，与风力涡轮机相关的参数（如结构完整性、设计规格和运行条件）被纳入系统。为了建立观测基线，从现场摄影和公开在线资源（包括气象记录和卫星图像）中系统地收集损伤证据。检测器利用先进的图像处理技术从这些图像中提取结构化属性，重点关注断裂高度、倒塌方向和可见损伤形态等关键特征。图4总结了在Typhoon Yagi案例中考虑的15台风涡轮机的空间分布和图像衍生损伤观察结果。

图4展示了本研究考虑的15台风涡轮机的损伤观察结果。“无可见损伤”标签表示在可用图像中没有发现明显的外部损伤；但这并不排除隐藏或内部结构损伤。这些观察结果表明，台风作用下的涡轮机受到了明显的可见结构损伤，尤其是在台风路径方向上。在分析的15台风涡轮机中，有8台风涡轮机的塔架发生了倒塌。如图4所示，倒塌塔架的估计断裂高度主要集中在15至65米之间，而其倒塌方向通常与台风的下风方向一致。基于图像的评估还识别出几种可见的损伤模式，包括两阶段塔架断裂、C形局部变形和塔架上部的断裂。高度依赖的风载荷（包括风切变和湍流）可能解释了观察到的上层断裂位置。图4中报告的断裂高度是由视觉模块从事故后图像中估计的近似值。C形和Z形标签描述了从这些图像中识别的可见事故后损伤形态。“无可见损伤”标签则表明WT-1、WT-2、WT-3、WT-6、WT-9、WT-13和WT-15在可用图像中没有发现明显的外部损伤。

为了将基于图像的损伤观察与模拟的结构响应进行定性关联，使用了相应的环境条件和涡轮机方向来配置高保真度的Zwind仿真模型（模拟器）进行结构动态分析。仿真是由使用Holland模型重建的台风风场驱动的，该模型采用了来自中国气象局（CMA）热带气旋最佳路径数据集的轨迹和强度参数。对于本研究中的台风事件，重建的风场产生了最大风速为60米/秒的结果，这个模型得出的值随后被用于结构仿真。每个涡轮机的风向和机舱偏航角是根据其相对于来流的方向共同指定的。模拟了8台风涡轮机，覆盖了从0°到180°的方位角范围。应用了几何变换以获得作用在每个涡轮机上的有效风向，并据此分配相应的机舱偏航角。总模拟持续时间为3600秒，计算时间步长为0.005秒，输出间隔为0.05秒，足以捕捉塔架的动态响应。Zwind计算了沿塔高的线性弹性截面应力需求。从事故后图像估计的近似断裂高度被映射到相应的应力剖面上，这些高度的计算应力在图5中用红色点标记出来。红色虚线表示S355塔钢的355 MPa屈服强度阈值，用于识别超过屈服强度的区域。图5总结了这八台风受损塔架的比较结果。

图5显示了Zwind计算的线性弹性塔架应力剖面及其与重建台风风场下图像估计的断裂位置的定性空间比较。红色点表示从事故后图像中识别的近似断裂高度处的计算线性弹性应力。红色虚线表示S355钢的355 MPa屈服强度阈值，高于此阈值的值被视为弹性应力需求评估中的超过屈服区域。因此，图5提供了基于图像的损伤评估与基于物理的仿真分析之间的定性联系。为了建立这种联系，反射器将图4中识别的近似断裂高度映射到图5中的Zwind计算的线性弹性应力剖面上。对于Typhoon Yagi分析中包含的所有八台风受损案例，计算出的应力在图像估计的断裂高度处超过了355 MPa的屈服阈值。因此，图像估计的断裂高度和Zwind识别的超过屈服区域在台风条件下的塔高方向上显示出了定性的空间共位。在工作流中，Iwind代理组织了这种仿真-观察比较并总结了相应的对应关系。先前的研究还表明，包括基础抬升在内的基础响应可以在地震载荷下显著影响风力涡轮机的塔架需求。

Iwind代理使用MCP来管理网络爬虫工具。该系统从科学文献、政府数据库和官方仓库中收集关于台风和地震引起的风力涡轮机损伤的公开报告，收集文本和图像数据。使用基于YOLO的检测器分析图像以识别和分类可见的表面缺陷。在案例层面，基于图像和文本证据的台风相关损伤被进一步分类为三种结构失效模式：叶片断裂、塔架屈曲和涡轮机翻倒。分类后的损伤数据与相应的文本信息结合，生成了观察到的不同失效模式的结构化总结。

如图6所示，子图(A)描述了台风引起的损伤，而子图(B)显示了地震对风力涡轮机的影响。收集的台风案例显示了叶片断裂、塔架屈曲和涡轮机翻倒。先前的研究表明，控制失效是报告的台风相关涡轮机故障的几个促成因素之一。此外，观察到这些失效模式根据风力涡轮机的结构类型及其基础的不同而表现出明显的差异。图像突出了严重的叶片断裂和涡轮机翻倒，这些是在这些灾难期间观察到的主要失效模式。

相比之下，图6B中的案例以及先前的研究表明，一些地震受损的涡轮机在基础或下部支撑结构上表现出更明显的损伤，而上部塔架的损伤相对较轻。这种案例特定的趋势强调了在事故后评估和地震设计中检查基础和土壤结构响应的重要性。

台风和地震载荷下的离线偏航-俯仰响应流形

台风对转子-塔架系统施加分布式的气动载荷，而地震则通过基础引入惯性激励。为了检查每种危害下停放状态配置的影响，针对一组预定的固定偏航-俯仰组合进行了独立仿真。在Zwind采用的角 convention 下，集体俯仰角从0°变化到90°，以15°的增量进行，覆盖了从未展翅到完全展翅的状态范围。十二种偏航设置从?150°变化到180°，以30°的增量采样了一个完整的360°方向周期。先前的研究表明，叶片俯仰和转子偏航可以显著影响停放状态下的离岸风力涡轮机的结构和气动弹性响应。因此，采用了七个俯仰设置和十二个偏航设置的网格作为系统离散参数扫描，以平衡角度覆盖和计算成本。这些设置并不旨在代表标准化的角度离散化或连续控制优化。在每个模拟危害过程中，这两个角度都保持不变。对于每个偏航设置，选择了在七个评估的固定俯仰案例中产生最低最大结构应力的俯仰状态。将这些离散最小值连接起来，得到了离线的、基于仿真的W形和M形响应流形。所选状态因此代表了规定离散网格内的最小值，而不是连续偏航-俯仰空间中的全局最优值。这些流形描述了与评估的停放状态相关的结构响应，并支持事故后的状态解释和危险区域识别。这些流形也可能为风暴前的停放状态规划和未来的特定涡轮机危险缓解设计提供参考。

目前抵御台风的实践通常假设偏航和俯仰系统在关闭时仍然可用，允许涡轮机保持偏航=0°和俯仰=90°。然而，在极端台风情况下，电网故障或偏航系统损坏可能导致涡轮机以较大的偏航 misalignment 停放。因此，我们评估了一系列超出设计范围的预定偏航状态。Zwind计算了每种固定偏航-俯仰组合的结构响应，并通过确定性后处理将这些案例进行比较，构建了图7中所示的W形响应流形。为了在图7和图9中便于可视化，颜色范围被限制在S355钢材的屈服强度355 MPa以内。超过此阈值的模拟值被映射到上限颜色，以标识出超出屈服强度的状态，而原始数值则保持不变。在研究的极端风速下，空气动力推力主导了塔架基部的弯矩。因此，所形成的流形显示了低响应俯仰设置如何随着偏航错位而变化。图7展示了在极端台风激励下选定停放状态下的W形偏航-俯仰响应流形。

图7 W形偏航-俯仰响应流形，适用于极端台风激励下的选定停放状态

左图和右图分别对应V = 40 m/s和60 m/s。水平偏航轴和垂直俯仰轴以度（°）为单位，颜色字段显示模拟的最大应力值（单位为MPa）。实心点标记了通过案例间响应比较选定的固定偏航-俯仰组合；黑线连接这些状态，以展示响应流形的几何趋势。在顺风和逆风区域（偏航 = 0°, ±180°），俯仰- feathered状态（俯仰 = 90°）在研究条件下产生了较低的模拟响应。在侧风区域（偏航 = ±90°），选定的俯仰设置逐渐向0°–30°变化。总的来说，这些案例揭示了叶片方向对响应模式的影响。

此外，W形流形具有方向不对称性：在偏航 = +90°时选定的俯仰角度与偏航 = ?90°时不同。如图8所示，IEA 10-MW叶片在翼型截面、扭转和弦长方向上存在沿展向的变化。STAR方法中描述的进一步几何敏感性分析表明，投影叶片面积对沿展向的扭转分布敏感，而相反方向的偏航显示出可忽略的投影面积差异。对于评估的台风偏航-俯仰组合，Zwind计算出的响应流形在相同的结构模型和环境载荷条件下保留了偏航 = +90°和偏航 = ?90°之间的方向差异。图8展示了IEA 10 MW参考涡轮机的沿展向叶片几何形状。

图8 IEA 10 MW参考涡轮机的沿展向叶片几何形状

(A) 基于FFA-W3翼型系列的离散空气动力截面，显示了从根部到尖端的厚度变化；(B) 连续的三维叶片包络，显示了沿展向的扭转和弦长变化。

在地震载荷下，结构受到从底部施加的激励，这与台风激励不同，导致空气动力阻尼和推力之间的平衡不同。对于此处考虑的地震案例，固定偏航-俯仰状态的比较产生了图9中的非线性M形结构响应流形，它是台风诱导的W形流形的镜像。在这种情况下，镜像关系描述了选定偏航-俯仰状态在整个偏航域内追踪的几何趋势。对于在V = 3 m/s时受到1g和2g预设峰值地面加速度（PGA）作用的风力涡轮机结构，由于空气动力载荷受到限制，地震激励占主导地位。本研究中规定的2g PGA案例作为假设的极端输入，用于比较结构响应分析。之前的风力涡轮机研究同样将地面运动缩放到1g、2g和3g的PGA水平，以研究非线性结构响应和失效模式。

图9 在严重地震激励下选定停放状态的M形结构响应流形

响应流形是在规定的低风速V = 3 m/s下评估的。左右两块面板分别对应预设的1g和2g PGA；2g案例被视为假设的极端情况，而不是实际记录的强度。水平偏航轴和垂直俯仰轴以度（°）为单位，颜色字段显示模拟的最大应力值（单位为MPa）。实心点标记了通过案例间响应比较选定的固定偏航-俯仰组合；黑线连接这些状态，以展示响应流形的几何趋势。在这些条件下，高惯性的转子-机舱组合表现为倒摆系统，放大了塔架的前后和横向运动。Zwind计算了每种固定偏航-俯仰情况的响应，并通过案例间比较组装了M形流形。Iwind辅助的工作流程随后组织了这些结构化输出，并将其与下面讨论的偏航依赖的响应模式联系起来。

当偏航错位接近0°或±180°时，俯仰角度接近15°的案例表现出较低的结构响应。相关的响应模式与在主要为纵向塔架运动期间更大的空气动力阻尼贡献一致。当偏航进入30°–60°和?60°到?30°区域时，低响应状态向俯仰角度75°–90°移动，这与更大的横向运动分量相吻合。在评估的偏航-俯仰组合和地震强度范围内，结构响应仍然对预设的停放状态敏感。因此，M形关系特定于所建模的涡轮机、载荷条件和参数范围。作为一种离线状态图，它为停放状态评估、危险区域识别和未来的特定涡轮机地震设计提供了基础。

本研究确定的W形和M形偏航-俯仰关系应被视为在评估的涡轮机模型、载荷条件、参数范围和数值约束范围内的模拟衍生候选解决方案。它们不应被视为普遍最优或可以直接转移的工业控制策略。工程应用需要针对特定涡轮机设计、特定地点的风力和地震条件、控制系统性能和可用性、执行器限制以及涡轮机级别的安全要求进行额外的验证。

讨论

本研究开发了Iwind，这是一个面向物理模拟的大语言模型（LLM）代理框架，它将自然语言工程请求转换为可执行、可追溯和可复制的Zwind工作流程。该框架不替代物理求解器，而是将Iwind代理的责任分配给意图识别、领域知识检索、任务分解、基于MCP的工具调用、确定性后处理和执行反馈，而Zwind则负责底层的基于物理的计算。因此，中心的方法论贡献在于建立语言理解和工程模拟之间的工作流级连接，实现了从用户意图到求解器就绪输入生成、数值执行、结构化结果提取和工程报告的端到端过程。在中国WindBench基准测试中，完整的SFT + RL + RAG配置在所有报告的指标上均优于父模型。工作流级别的评估进一步证明了自动化模拟输入生成和端到端任务完成的可行性，而报告的案例展示了如何将图像衍生的损伤观察与Zwind计算的响应一起组织起来，以进行定性工程解释。公开可用的代码和可复现材料还允许独立执行和检查核心的自然语言驱动模拟工作流程。

收集到的案例在台风和地震载荷下显示出不同的损伤模式。台风与叶片断裂、塔架屈曲和涡轮机倾覆有关，而一些地震受损的涡轮机在基础或下部支撑结构中显示出更明显的损伤。参数化的Zwind模拟进一步为研究的台风和地震案例分别产生了非线性的W形和M形离线偏航-俯仰响应流形。这些结果支持比较固定的停放状态，并识别出在评估条件下的高响应区域。因此，Iwind代理应被视为一个接近应用的研发框架，而不是一个完全部署的工业系统。Code availability部分中提到的GitHub仓库提供了代理代码、配置文件、评估脚本和代表性的输入输出示例。发布的案例材料还包括编译好的Zwind可执行文件和相应的输入文件，以支持案例级别的复现。Zwind源代码受商业保密性和软件许可限制的影响。将代理端的工作流程转移到另一个数值求解器需要特定的求解器接口、兼容的输入输出适配器以及独立验证数值等效性。

在极端灾害应用中，合格的专家必须验证输入条件和模拟模型选择，筛选异常输出，确认基于图像的损伤发现，批准控制建议，并在实施前完成安全验证。当前框架支持辅助工程分析，但不替代专家判断或既定的安全审查程序。W形和M形模式应被视为从独立案例中组装的模拟衍生离线响应流形，而不是由实现的实时控制器生成的轨迹。它们的工程应用需要系统地评估对风速、湍流强度、地面运动特性和涡轮机参数的敏感性；与传统关闭策略的比较；独立求解器交叉验证；以及涡轮机根部载荷、执行器速率限制、俯仰系统需求、控制系统可用性和塔架安全与子系统载荷之间的多目标权衡。

未来的研究将进一步探讨这些方面，以提高所提出框架的工程适用性。更广泛的敏感性分析将包括额外的风条件、湍流特性、地面运动记录和涡轮机参数，以评估识别出的响应模式的稳健性和可转移性。将离线偏航-俯仰响应流形与传统关闭策略进行比较，并在适当的情况下使用独立模拟工具进行交叉验证，将提供对其工程解释的进一步见解。此外，将执行器限制、结构安全指标、子系统载荷特性和控制系统要求整合到统一的多目标权衡分析框架中，将有助于扩展Iwind在工程决策支持应用中的应用。本研究中的台风和地震模拟被设计为独立的危险场景。地震案例规定了低风速V = 3 m/s，而台风案例考虑了风速V = 40–60 m/s。这种配置使得能够在研究的条件下分别检查与这两种危险类型相关的结构响应。基于Ishihara等人报告的方向性风-地震相互作用，未来的工作将通过结合特定地点的风场、地面运动、方向组合和涡轮机运行状态，将框架扩展到同时遭受强风和地震的载荷情况。

Zwind包括水动力载荷建模，为将现有框架扩展到海上风力涡轮机损伤案例提供了基础。这样的验证需要具有足够完整现场记录的记录事件。之前的数值研究分别检查了Mangkhut台风和Super Typhoon Chan-hom下的浮动式和单桩式海上风力涡轮机的响应。Wind Power Kamisu第一阶段还经历了2011年日本东部大地震和大约5米高的海啸，在此之后检查显示在恢复运行前没有系统损伤。这些研究和记录展示了台风、地震和海啸灾害对海上风力涡轮机的相关性。然而，目前可用的信息不支持联合指定载荷历史、运行条件、涡轮机和基础参数以及灾后测量损伤的类似重建。因此，本研究提供了一种基于场景的方法论评估。未来的工作将在有记录的海上灾害或故障事件的基础上优先进行现场验证。

值得注意的是，风力涡轮机研究正在从灾害分析向全生命周期运维（O&M）转变。未来的关注点将从故障分析扩展到可持续的能力建设。为了应对海上风力涡轮机可访问性差和运维成本极高的挑战，传统的灾后修复模型已不再可持续。这个代理必须不断发展，以具备预测能力，不仅分析结构如何失效，还要预测损伤可能发生的时间和地点，并优化决策，以实现最低成本的安全运行，从而为智能运维深海风力发电开辟新路径。

本研究的局限性

在本研究中，Iwind代理通过与基于物理的数值模拟的工作流级集成、与求解器兼容的参数定义、预定义的工程约束、确定性后处理程序和模拟-观察比较来实现物理信息的融合。Iwind代理解释工程请求，组织输入参数，调用连接的工具，并总结返回的证据。Zwind计算相应的载荷和结构响应，而视觉模块从灾后图像中提取可观察的损伤特征。领域特定的模型适应性和RAG支持任务解释和证据检索，而本研究中报告的物理量来自数值模拟和预定义的确定性分析程序。物理分析使用选定的涡轮机模型、重建或规定的危险输入以及研究的参数范围进行。台风和地震载荷被视为独立的危险场景。在台风损伤评估中，Zwind使用线性弹性梁元素计算全局结构响应和沿塔高的截面弹性应力需求。S355钢材的屈服强度355 MPa用于识别超出屈服强度的区域，超过此阈值的应力被解释为定位高需求区域的弹性需求指标。这种表示方法支持全球响应评估和关键高度的识别，而详细的局部壳体变形和屈服后的应力重分布则需要更高保真度的非线性结构模型。事件后的断裂高度和可见的C形或Z形损伤形态由视觉模块根据收集的图像估算，并被视为近似的观测证据。其解释取决于图像分辨率、观察角度、遮挡情况以及每张图像中可用的几何参考信息。自动化执行进一步假设所需输入是完整的、在物理上合理的，并且与连接的MCP工具和求解器接口兼容。Iwind代理在这些条件下执行参数检查并组织可追溯的执行记录，而对于异常输出和安全相关的解释仍需要合格的工程审查。这些假设定义了所报告发现的范围。图5中的比较支持了图像估算的断裂高度与Zwind识别的超出屈服区域之间的定性空间对应关系。W形和M形的偏航-俯仰流形是通过独立模拟组装的，在每个案例中偏航和俯仰设置保持不变；因此它们支持在研究的台风和地震条件下对停放状态的离线比较和高响应区域的识别。报告的代理性能适用于测试的任务类别、连接的工具和预定义的求解器接口。扩展到其他涡轮机配置、站点、组合危害或操作控制系统需要相应的物理输入、接口适应和特定情况的验证。更多方法细节提供在图10、11、12、13和14中。图10展示了Iwind代理的思想-行动-观察工作流程，显示了用户请求如何转换为可执行任务，通过MCP调用连接工具，以及返回的结果如何反馈到工作流程中。图11总结了特定领域的模型开发、评估和集成工作流程，包括数据策划和WindBench构建、领域预训练、监督微调、响应质量评级、奖励引导的强化学习以及类型-受众数据构建策略。图12显示了15,000对WindBench基准测试中15个任务类别及其样本数量的分布。图13展示了数据策划和多路径RAG检索架构，包括并行检索、融合和重新排名。图14描绘了Zwind软件架构和数值解决方案过程，从输入和外部载荷评估开始，通过基于Kane的方程求解和时间积分，直到响应输出。相应的实现细节在STAR Methods中有描述。

**图10 Iwind代理的思想-行动-观察工作流程**
**图注**
前端层接收用户请求，LLM和代理层解释并将其转换为可执行任务，工具层通过MCP调用Zwind和其他连接的工具。返回的结果重新进入规划-行动-观察循环以进行验证和报告。Iwind代理执行解释和协调，而连接的工具执行相应的数值或感知任务。

**图11 Iwind代理的特定领域模型开发、评估和集成工作流程**
**图注**
（A–F）分别总结了数据策划和WindBench构建、领域预训练、监督微调、响应质量评级、奖励引导的强化学习以及类型-受众数据构建策略。清理后的领域语料库为领域预训练提供输入，领域任务对话框支持监督微调，质量标注的响应组为奖励模型构建提供监督。由此产生的奖励信号指导基于GRPO的强化学习和模型选择。候选配置在包含15,000个问题-答案对（涵盖15个任务类别）的独立中文基准WindBench上进行评估，选定的模型与RAG辅助检索和基于MCP的工具协调集成。

**图12 WindBench基准测试数据集的任务分布**
**图注**
该图显示了15,000对基准测试中的15个WindBench任务类别及其相应的样本数量。

**图13 Iwind代理的数据策划和检索架构**
**图注**
上部总结了自动化的数据策划过程，下部展示了多路径RAG检索过程，包括并行检索、融合和重新排名。

**图14 Zwind的软件架构和解决方案过程**
**图注**
（A）展示了Zwind的软件架构，（B）展示了从输入和外部载荷评估到基于Kane的方程求解、时间积分以及响应输出的数值解决方案过程。

**资源可用性**
更多信息和资源请求应联系主要联系人Lilin Wang（[e-mail]）。

**材料可用性**
本研究未生成新的独特材料。

**数据和代码可用性**
支持Iwind工作流程的公共代码和可重现性材料可在以下链接获取：
https://github.com/linjunfuzju/iwind.git
该仓库包括Iwind代理工作流程的实现、配置文件、单个案例和批量模拟脚本、确定性后处理和可视化工具、代表性的输入-输出示例以及详细的执行说明。reproduce目录还提供了一个包含可运行的Zwind可执行文件和所需模拟环境的Docker归档。结合下面描述的完整模拟数据集，这些公开可用的资源使研究人员能够独立执行和验证本研究中报告的核心工作流程，从自然语言任务输入和模拟配置生成到Zwind执行、结果输出和确定性后处理。某些模型开发材料（包括针对特定领域的模型参数和相关培训资源）未包含在当前的公共版本中。这些材料包含商业敏感性和潜在受保护的技术内容，仍需经过最终的知识产权评估、第三方许可审查和法律合规性评估。因此，它们的公开分发暂时受到限制。在正式发表手稿和完成相关审查后，将在适用的知识产权、保密性和许可条件允许的范围内提供公开可发布的版本。

**本研究生成的模拟数据可通过Science DataBank公开获取（https://doi.org/10.57760/sciencedb.45382）**
存储的数据集包含了在规定的极端载荷场景下对海上风力涡轮机进行的参数化Zwind分析生成的模拟文件，以及相关模拟输出和数据验证的元数据。如需重新分析本研究中报告的数据的任何额外信息，可向主要联系人索取。

**致谢**
本工作得到了国家重点实验室海洋感知（“无人值守远海风电场的精密感知技术和系统”；项目编号OSZ-2026ZX01）、优秀青年科学家基金（海外）、国家自然科学基金（52409144, 52238008）、浙江省重点研发计划（2025C01172）、福建省科学技术厅重大专项（项目编号2025HZ024032）和福州市重大科技项目（项目编号2025-ZD-013）的支持。

**作者贡献**
L.W.和L.W.构思了这项研究，设计了研究框架，开发了方法论，修订了手稿，并为这项研究提供了总体指导和支持。L.F.和Z.X.参与了大语言模型的训练和微调、代理架构的设计和实现、数据处理、可视化、实验设计、结果解释以及原始手稿草稿的编写。S.Z.参与了数据处理、可视化、结果解释以及手稿的修订。H.C.参与了技术分析和手稿修订。所有作者都审阅并批准了最终版本的手稿。

**利益声明**
作者声明与本手稿中报告的工作相关的以下专利利益。
几位作者是授予的中国发明专利“用于海上风电和海洋工程的大语言模型的应用方法、装置、设备和介质”（专利编号ZL 2026 1 0572389.X；申请编号202610572389.X；提交日期2026年4月28日；授权日期2026年7月31日）的发明人。F.L.是第一发明人，专利权归属于浙江大学。
中国专利申请编号202610572421.4，提交日期2026年4月28日，题为“用于海上风电运营和维护的智能模拟方法、装置、设备和介质”，已于2026年8月11日收到中国国家知识产权局的“发明专利授权通知”。随附的注册通知指出，专利权将在完成所需的注册程序后进行注册、认证和公告。
一位或多位作者是与本手稿中报告的工作相关的以下待审专利申请的发明人。所有这些申请均归属于浙江大学。
1. 中国专利申请编号202610686858.0，提交日期2026年5月18日，题为“基于知识增强的检索驱动的多模态和多终端智能问答方法、装置、介质和产品，用于风电”。
2. 日本专利申请编号2026–083020，提交日期2026年5月18日，题为“用于海上风电运营和维护的智能模拟方法、装置和介质”。
3. 中国专利申请编号202610827048.2，提交日期2026年6月9日，题为“基于人工智能的方法、装置和介质，用于评估台风引起的海上风力涡轮机灾难风险和韧性”。
4. 中国专利申请编号202610829523.X，提交日期2026年6月9日，题为“用于构建风电行业大语言模型训练数据集的方法、系统、装置和介质”。
作者声明没有其他竞争利益。

**STAR★方法**
**关键资源表**
| REAGENT | RESOURCE | SOURCE | IDENTIFIER |
|---------|---------|--------|--------------|
| Iwind模拟数据集 | 本研究 | Science DataBank | DOI: https://doi.org/10.57760/sciencedb.45382 |
| WindBench基准数据集 | 本研究 | GitHub仓库 | https://github.com/linjunfuzju/iwind/tree/main/qa_data |
| 软件和算法 | DeepSeek-R1-0528-Qwen3-8B | DeepSeek | https://huggingface.co/deepseek-ai/DeepSeek-R1-0528-Qwen3-8B | |
| QRM-Llama3.1-8B-v2 | Nicolai Dorka | https://huggingface.co/nicolinho/QRM-Llama3.1-8B-v2 | |
| BGE-M3 | 北京人工智能研究院 | https://huggingface.co/BAAI/bge-m3 | |
| Qwen3-VL-8B-Instruct | Qwen | https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct | |
| Iwind代理工作流程代码 | 本研究 | GitHub仓库 | https://github.com/linjunfuzju/iwind | |

**实验模型和研究参与者详细信息**
（省略，因为我们的研究不涉及生物模型。）

**方法细节**
图10总结了Iwind代理如何将自然语言工程请求与可追溯的工具执行工作流程连接起来。它还定义了代理端协调与连接工具执行的数值或感知任务之间的功能边界。自然语言请求和用户定义的模拟参数首先进入前端层，该层还维护整个执行过程中的交互历史和工具元数据。在LLM层中，识别用户意图，保留相关上下文，选择候选动作和工具，并提取调用所需的参数。然后由代理层检查参数的有效性。根据解释的请求，该层构建一个可执行的工作流程，调度各个任务，并使用每个返回的观察结果来确定后续动作。工具执行通过MCP处理，MCP将框架连接到Zwind、OpenFAST、OpenSees、损伤检测模块和其他可用工具。状态代码、输出文件、图像和数值结果随后返回给代理。这些操作共同建立了一个可追溯的规划-行动-观察循环。在这一责任划分中，Iwind代理解释任务并协调工作流程，而Zwind和连接的工具执行相应的数值模拟或感知任务。

**三组支持组件进一步进行了调整和协调，以支持这种自然语言驱动的工程工作流程**
特定领域的模型适应和多路径RAG提供了工程知识检索，并将自然语言需求转换为可执行的工具调用计划。MCP反过来标准化了求解器调用、参数传输、输入-输出规范和错误处理，从而支持可追溯和可恢复的执行。外部模块处理视觉证据，包括基于YOLO的风力涡轮机损伤检测器和Qwen3-VL-8B-Instruct，它们将图像转换为可以与Zwind计算的物理响应相关联的结构化观察结果。因此，本研究的主要方法论贡献在于工作流程层面的语言理解、知识检索、任务协调、视觉感知和基于物理的模拟的协调。

**特定领域模型训练**
本小节提出了一个针对海上风电和海洋工程的系统化特定领域训练框架。该框架旨在增强Iwind代理在知识表示、任务分解和工具协调方面的能力。基于通用基础模型，该框架逐步结合了特定领域的语料库、带有任务注释的数据集和结构化的奖励信号。这种分阶段的训练产生了一个能够在RAG证据约束下生成专业响应的模型，并能可靠地将自然语言需求映射到可执行的MCP调用计划。图11总结了链接领域预训练、监督微调、奖励模型构建、强化学习、最终评估和系统集成的序列。它还区分了用于模型开发的资源和独立构建的WindBench基准。模型开发资源包括来自12,000份筛选后的源文档的质量控制语料库，其中包含约1.8亿个清理后的标记、50,000个用于监督微调的特定领域指令-响应对，以及12,000个用于奖励模型训练的质量标注响应组。WindBench作为独立的中文基准独立构建，包含15个任务类别的15,000个专家评审的问题-答案对。其源材料与用于领域语料库、监督微调、奖励模型训练和RAG知识库的材料分开，以防止模型开发和评估之间的直接重叠。以下小节提供了五个阶段的实施细节。

**基准数据集阶段**
本研究系统地收集了海上风电和海洋工程的多源语料库，如图12所示，包括技术文档、操作日志、研究文章、设备手册和工程报告。经过去噪、分割和格式标准化后，原始数据进一步使用基于规则和基于模型的过滤、关键词匹配和基于位置的去重处理，以构建一个质量控制的目标数据集。

**WindBench是独立构建的中文基准，涵盖了海洋工程和海上风电。**一组任务类别涉及海洋工程应用，包括设计及分析、建造与安装、运营、维护和监控。另一组任务类别针对海上风电领域，包括涡轮机推理、项目设计、技术文档编制、组件分类和故障识别。WindBench包含了15,000对中文问答题，涵盖了15个任务类别。该基准测试包括可量化的客观问题和开放式技术问题，每对问题都有一个经过专家审核的参考答案。用于构建WindBench的原始文档与用于领域语料库、监督微调数据集、奖励模型训练数据集和RAG知识库的文档是分开的，因此WindBench中的任何问题、参考答案或原始文档均未用于模型训练或检索。这15个任务类别是由多位领域专家根据海上风电和海洋工程中的常见要求定义的。各类别的样本数量并非强制相等，而是通过专家讨论根据这些任务在预期应用中的相对重要性来确定的，如图12所示，该图展示了15个子任务类别及其相应的样本数量。每对问答题在纳入之前都经过了多位领域专家的手动审核和修正。

**领域预训练阶段**
在领域预训练期间，DeepSeek-R1-0528-Qwen3-8B作为所有评估配置的公共父模型。选择其8B参数规模是为了在领域适应性能力和可用本地计算资源之间取得平衡，并满足未来的边缘部署需求。质量控制的领域语料库来自12,000份筛选后的原始文档，包含大约1.8亿个清洗过的词元。随后对该语料库进行分割和编码。然后使用自回归语言建模目标对模型进行训练。这一阶段重点强调了工程背景下的领域特定术语和跨文档的逻辑关系。整个训练过程中采用了多GPU并行处理和检查点恢复技术。团队持续监控困惑度（perplexity）和损失（loss）曲线，以确保稳定收敛并降低过拟合风险。

**监督微调阶段**
在监督微调阶段，使用50,000对涵盖典型工程任务的领域特定指令-响应对进一步训练模型，这些任务包括单轮指令执行、短轮提问和跨组件推理。训练目标是最小化交叉熵损失。采用了参数效率高的低秩适应（LoRA）策略和梯度累积方法来提高优化稳定性。验证过程结合了自动指标和专家评估，以评估答案的一致性和技术表达的准确性。这一阶段训练出的模型在领域特定的对话和推理任务上表现良好。

**奖励模型构建阶段**
在奖励模型构建阶段，使用12,000组经过质量标注的响应数据来训练质量评分模型。响应质量根据专业准确性、逻辑严谨性和语言标准化分为五个等级。奖励模型的核心基于Llama模型家族和Llama 3.1架构。本研究使用的质量评分模型从公开可用的nicolinho/QRM-Llama3.1-8B-v2检查点初始化，并随后训练以区分这五个响应质量等级。

**强化学习阶段**
在强化学习阶段，经过监督微调的模型作为初始策略，从提示数据生成多个候选响应，而这些响应没有参考答案。每个候选响应都由奖励模型独立评估，然后利用聚合分数来指导策略优化。使用GRPO方法进行策略优化，该方法引入了截断概率比和熵正则化项，以平衡优化强度和输出多样性。分布式加速和提前终止机制被用来在保持最佳模型权重的同时确保稳定的验证性能。

**最终评估和集成阶段**
在最终评估和集成阶段，从同一DeepSeek-R1-0528-Qwen3-8B父模型中派生出的五种配置在WindBench上进行评估：基础模型、基础模型+RAG、SFT模型、SFT+RL模型以及包含SFT、RL和RAG的完整模型。WindBench包含15,000对中文问答题，涵盖15个任务类别，并且独立于模型开发资源。评估指标BLEU-4、ROUGE-1、ROUGE-2、ROUGE-L和文本覆盖率以0-100的评分标准进行报告。相应的评估结果在“从基础模型到代理任务”部分中呈现。

通过标准化接口集成后，最终模型被部署到一个三路径检索和融合生成流程中。在排名阶段，模型帮助重新排序候选文档；在生成阶段，模型根据证据上下文构建响应并提供可追溯的引用。这种集成实现了检索模块与智能代理框架之间的端到端连接。

**检索增强生成**
在语料库和索引构建阶段，系统整合了多种来源的非结构化文本，包括行业报告、技术手册、维护日志、研究文章、设备规格和政策标准（如图13所示）。所有数据预处理步骤都作为自动化流程实现。该流程的总体设计借鉴了现有的开源数据处理框架，如Easy Dataset和MinerU。数据清洗、分割和格式标准化完成后，系统使用多语言BGE-M3嵌入模型生成段落级别的密集语义向量，并将结果向量存储在向量数据库中。同时，系统提取实体和关系以构建领域特定的知识图谱并构建关键词索引。

**语义向量检索过程**
在语义向量检索过程中，用户查询被编码成高维向量，使用Faiss等近似最近邻搜索方法检索语义相关的证据片段。这种策略能够识别尽管术语有差异但语义等价的表达，从而扩展证据覆盖范围并提高召回鲁棒性。

**图结构检索过程**
在图结构检索过程中，系统基于领域知识图谱的三元组结构进行多路径推理。对于涉及因果链或跨组件依赖关系的查询，系统沿着关系路径追踪相关节点，支持结构化的解释并提高解释性和专业严谨性。

**关键词检索过程**
关键词检索作为快速访问明确信息的补充渠道，包括定义、参数和标准条目。当语义或基于图的检索结果稀疏时，关键词匹配的内容提供了必要的上下文约束和基本要求。

**合并、排名和生成阶段**
在证据合并和响应生成阶段，一个具备上下文意识的大语言模型在专门的排名阶段中充当排序器。它根据相关性、信息的完整性和时效性评估并重新排序候选证据段落。然后，最高排名的证据被合成成结构化响应。通过显式引用将每个响应元素与其原始来源链接起来，从而保持可追溯性。

**视觉-物理损伤评估**
视觉-物理损伤评估方法将局部表面缺陷检测、全局损伤解释和基于物理的结构分析结合在一个统一的Iwind工作流中。用于YOLO检测器的数据集包括5,000张标注的风力涡轮机图像，涵盖了七种可见的表面缺陷类型：烧损、裂纹、变形、污迹、油渍、剥落和锈蚀。数据集按7:2:1的比例分为训练集、验证集和保留测试集，分别对应3,500张、1,000张和500张图像。Qwen3-VL-8B-Instruct分析整张图像以提取全局损伤特征，包括大致的断裂高度、倒塌方向和整体损伤形态。在规定的危险条件下，Zwind计算相应的结构载荷、应力分布和屈服超压区域。Iwind代理随后整合YOLO检测结果、视觉观察结果和Zwind仿真结果，生成关于可能的结构故障类型及其相应的操作和维护建议的结构化评估报告。

**叶片投影面积计算和敏感性分析**
为了量化不同偏航-俯仰状态下叶片投影的几何贡献，使用了仿真中采用的IEA 10-MW叶片几何模型计算叶片投影面积。计算考虑了叶片的展向扭曲分布和每个叶片的投影多边形合并面积。原始的AeroDyn15 BlTwist分布与两种参考配置进行了比较，这两种配置的扭曲分布分别为均匀0°和均匀12°，其他几何参数保持不变。此外，在相同的叶片配置下，还评估了Yaw = +90°和Yaw = ?90°之间的投影面积差异。通过比较不同的叶片离散化分辨率来检查数值稳定性。这项分析用于表征几何投影对叶片配置和偏航方向的敏感性，并与Zwind计算的动态响应流形分开考虑。

**多体动力学CAE软件Zwind**
Zwind由浙江大学开发，是一款全面的多体动力学CAE软件包，便于对空气动力学、流体动力学、土壤动力学、结构动力学和伺服控制系统进行完全耦合的分析。在本研究中，Zwind作为Iwind工作流中的确定性物理求解器。其刚柔耦合方程使用标准的Kane方法建立。作为既定的公式，Kane方法为求解器提供了理论基础，而本节重点介绍与本研究直接相关的Zwind数值求解程序。Zwind不替代或近似底层力学模型；它将工程要求转换为求解器兼容的病例配置，然后组装广义的主动和惯性贡献，求解运动耦合方程，并随时间推进结构状态。这种分离保持了语言级任务编排和数值物理之间的清晰边界。本研究中报告的所有载荷和结构响应结果都是根据Zwind在规定的模型假设下计算得出的，因此可以追溯到特定的仿真案例，并可以从相应的求解器输入中重现。具体来说，Zwind支持输入工程风浪-水流环境数据。对于空气动力学，它采用叶片元素动量理论及其改进方法来计算空气动力载荷；流体动力载荷使用混合时域方法结合Morison方程系数校正进行评估。此外，该软件支持使用p-y弹簧、p-y + M-θ弹簧等高级模型进行桩土相互作用计算。叶片、塔架、半潜式平台和锚固基础的结构建模采用基于梁的表示方法，并结合质点质量法或准静态方法进行系泊线模拟。对于台风损伤评估中的塔架分析，Zwind使用线性弹性梁元素计算全局结构响应和沿塔高的截面应力需求。因此，本分析重点关注全局梁响应和截面弹性应力需求，而局部壳体折叠和屈服后的应力重分布需要单独的非线性壳体分析。

Zwind由浙江大学开发，是一款全面的多体动力学CAE软件包，适用于空气动力学、流体动力学、土壤动力学、结构动力学和伺服控制系统的完全耦合分析。在本研究中，Zwind作为Iwind工作流中的确定性物理求解器。其刚柔耦合方程采用标准的Kane方法建立。作为既定的公式，Kane方法为求解器提供了理论基础，而本节重点介绍与本研究直接相关的Zwind数值求解程序。Zwind不会替代或近似底层力学模型；它将工程要求转换为求解器兼容的病例配置，同时组装广义的主动和惯性贡献，求解运动耦合方程，并随时间推进结构状态。这种划分保持了语言级任务编排和数值物理之间的清晰界限。本研究中报告的所有载荷和结构响应结果都是根据Zwind在规定的模型假设下计算得出的，而不是通过语言模型推断得出的。因此，结果可以追溯到特定的仿真案例，并可以从相应的求解器输入中重现。具体而言，Zwind支持输入工程风浪-水流环境数据。对于空气动力学，它采用叶片元素动量理论及其改进方法计算空气动力载荷；流体动力载荷使用混合时域方法结合Morison方程系数校正进行评估。此外，该软件还支持使用API p-y弹簧、p-y + M-θ弹簧等高级模型进行桩土相互作用计算。叶片、塔架、半潜式平台和锚固基础的结构建模采用基于梁的表示方法，并结合集中质量法或准静态方法进行系泊线模拟。在台风损伤评估中报告的塔架分析中，Zwind使用线性弹性梁元素计算全球结构响应和沿塔高的截面应力需求。相应地，本分析重点关注全局梁响应和截面弹性应力需求，而局部壳体折叠和屈服后的应力重分布需要单独的非线性壳体分析。

在每个时间步骤中，Zwind评估固定于身体的基础向量、部分速度和角速度，以及每个结构体的广义力和质量项。然后，它使用选定的数值积分方案求解基于Kane的多体系统，得到广义坐标加速度，并更新广义坐标、速度和加速度。可用的积分方案包括Runge-Kutta方法、Adams-Bashforth方法和Adams-Bashforth-Moulton预测-校正方法。此处报告的仿真中，每个案例都由规定的环境载荷、结构和基础参数以及固定的操作状态输入（如偏航和俯仰）定义。Zwind返回该配置的确定性载荷历史和结构响应。Iwind工作流负责案例生成、执行和结果组织，但不修改控制方程或替代Zwind产生的数值解。这种分离还允许对单个案例和批量偏航-俯仰评估一致地应用相同的确定性求解程序。

软件的计算工作流程如图14所示，具体步骤如下：（1）在t = 0时初始化风力涡轮机系统，并根据规定的输入计算初始外部载荷；（2）在时间t评估运动量和广义载荷及质量项；（3）组装并求解基于Kane的多体方程，得到广义坐标加速度；（4）将广义坐标、速度和加速度推进到t = t + Δt；（5）在指定的兴趣点计算并输出总载荷和结构响应；（6）重复步骤（2）至（5），直到仿真完成。Iwind代理通过生成自然语言查询的仿真输入文件、启动计算、解析输出日志并在指定的物理约束下组织返回结果，与数值求解器（包括Zwind）进行接口。

**定量和统计分析**
自然语言驱动的载荷-仿真工作流的定量评估以任务成功率为核心。对于每个模型配置，我们评估了相同的30个预定义的Zwind仿真任务，并对仿真输入生成和端到端任务完成应用了二元成功或失败标准。性能通过比较自动化工作流和手动配置的Zwind仿真得到的最大应力来评估。工作流的一致性还通过比较两者得到的最大应力来进一步评估。在这次比较中，使用的绝对差异阈值不超过5兆帕（MPa），这一阈值专门用于评估工作流程执行过程中的一致性。
补充信息（1）
视频（20.88 MB）
视频摘要：该视频介绍了Iwind这款基于物理原理的LLM（大型语言模型）代理，用于在台风和地震载荷下对海上风力发电机的结构进行分析。