用于预测叶片变形和空气动力学响应的集成CFD与ANN方法

《Wind》：Integrated CFD and ANN Approach for Predicting Blade Deformation and Aerodynamic Response

　　

对可再生能源的需求日益增长，提升了高效可靠风力涡轮机技术的需求，其中理解空气动力学性能和气动弹性行为起着关键作用。在本研究中，研究人员开发了一个高保真计算流体动力学（CFD）模型，用于分析一台2千瓦水平轴风力涡轮机的空气动力学载荷和结构响应，同时利用CFD生成的数据训练了一个人工神经网络（ANN），以预测功率输出和气动弹性特性。该工作结合了ANN预测和CFD模拟，以确定机器学习作为代理模型的可行性，该模型在计算成本和时间方面显著降低，且不影响准确性。研究结果表明，在最佳叶片桨距角下，ANN预测与CFD结果高度接近，偏差低于5–7%，这证明了ANN在捕捉不同风速和叶片桨距角下的非线性空气动力学趋势方面非常可靠。此外，所得结果强调了空气动力学效率与结构安全性之间的权衡示例，其中在_0°桨距角下达到最大功率系数（0.42），而当桨距角升高至_5°时，叶尖挠度减少了近60%。这些结果证实了基于ANN的方法在风力涡轮机快速空气动力学和气动弹性模拟中的实用性，并为有效设计风力发电和优化提供了前瞻性方向。

**论文解读：基于集成CFD与ANN方法预测叶片变形与空气动力学响应的研究**

**研究背景与问题**

随着全球对可再生能源需求的持续增长，风力涡轮机技术的高效性和可靠性成为关键。风力涡轮机叶片在运行中受到复杂的空气动力学载荷，导致气动弹性变形，进而影响功率输出和结构安全。传统的高保真计算流体动力学（CFD）模拟虽然能精确预测空气动力学性能，但计算成本高、耗时长，限制了其在快速优化和大规模应用中的潜力。近年来，机器学习特别是人工神经网络（ANN）在空气动力学性能预测中展现出作为代理模型的能力，但现有研究多聚焦于单一性能预测，缺乏同时兼顾空气动力学效率与气动弹性变形的耦合建模。为此，研究人员开展了本项研究，旨在构建一个集成的CFD-ANN框架，以高效预测叶片变形和空气动力学响应，解决计算效率与结构可靠性之间的权衡问题。

**研究内容与结论**

研究人员开发了一个高保真CFD模型，分析了一台2千瓦水平轴风力涡轮机在不同风速和桨距角下的空气动力学载荷和结构响应，并利用CFD生成的数据训练了一个ANN模型，用于预测功率输出和气动弹性特性。研究发现，ANN预测与CFD结果高度吻合，在最佳桨距角下偏差仅为5–7%，计算成本降低约50%。最大功率系数（0.42）在_0°桨距角下达到，而叶尖挠度在桨距角升至_5°时减少了近60%，揭示了空气动力学效率与结构安全性之间的权衡。该研究发表在《Wind》。

**关键技术方法**

研究人员采用的主要关键技术方法包括：①高保真计算流体动力学（CFD）模型，基于ANSYS-CFX求解器，采用剪切应力输运（SST）k–ω湍流模型，使用结构化六面体网格和滑移网格技术模拟旋转域；②人工神经网络（ANN）模型，采用多层感知器（MLP）架构，输入层为风速和桨距角（2个神经元），隐藏层为6个神经元，输出层为功率（1个神经元），使用Levenberg–Marquardt（LM）反向传播算法训练，激活函数为隐藏层的logsig和输出层的purelin。CFD数据集的70%用于训练，30%用于测试和验证。样本来源为2千瓦风力涡轮机仿真数据，无实际队列。

**研究结果**

**6.1 叶片桨距角对转子空气动力学性能的影响**
通过CFD模拟不同桨距角（_0°、_2.5°、_5°）和风速（4.5–12.5 m/s）下的空气动力学性能，发现空气动力学扭矩在低风速下以_0°桨距角最大，而在高风速下以_2.5°桨距角最优。功率系数（C_p）在中等叶尖速比（TSR≈6–7）处达到峰值，_0°时为0.42，_2.5°时为0.36，_5°时为0.28，表明低桨距角提高效率，高桨距角限制高风速下的载荷。推力系数（C_T）随TSR增加先升后降，低桨距角产生更高推力峰值。

**6.2 叶片桨距角对转子结构弹性的影响**
通过单向气动弹性分析，将CFD计算的空气动力学载荷施加到结构模型（ANSYS 2023R1），评估叶尖挠度、等效von Mises应力和压力分布。结果显示，叶尖挠度随风速增加而非线性增大，_0°桨距角下在12 m/s时达到约26 mm，_5°时显著减小。von Mises应力在低桨距角下随风速升高保持稳定，但在_5°下快速上升至8 MPa，表明高桨距角改变应力集中路径。

**6.3 ANN在预测空气动力学性能中的表现**
将ANN预测的功率输出与CFD结果对比，在_0°、_2.5°和_5°桨距角下，ANN均能捕捉非线性趋势，但_2.5°时偏差最小（5–7%），_0°时高风速下过预测，_5°时低风速下欠预测。统计误差指标显示MAE=0.0272，RMSE=0.0325，相关系数R=0.9957，证明ANN作为代理模型的可靠性。

**6.4 风力涡轮机叶片对气动弹性载荷的结构响应**
ANN预测的叶片变形与CFD结果高度一致，_0°桨距角下偏差在6–10 m/s风速时几乎为零，_5°下偏差小于3%。压力分布和von Mises应力云图显示，风速和桨距角增加均导致压力差增大，应力在叶根处集中。整体变形和叶尖挠度在低桨距角下最显著，桨距调节能有效降低结构应力。

**讨论与结论**

研究讨论了空气动力学效率与结构安全性之间的权衡，证实了ANN作为CFD代理模型的有效性，可减少50%计算成本。结论部分翻译如下：本研究提出了一个集成的计算流体动力学（CFD）模拟与人工神经网络（ANN）框架，用于预测小型风力涡轮机叶片的空气动力学性能和气动弹性响应。该工作的创新在于利用ANN作为CFD的代理模型，在保持高预测精度的同时降低计算成本和时间。CFD模拟提供了不同风速和桨距角下空气动力学载荷、叶片变形和应力分布的详细见解，形成了用于训练ANN的稳健数据集。反过来，ANN展现了出色的预测能力，在最佳桨距角下与CFD结果的偏差低至5–7%，从而验证了其作为可靠代理模型的有效性。结果进一步揭示，最大功率系数在_0°桨距角下达到0.42，而当桨距角升高至_5°时，叶尖挠度减少了近60%，强调了空气动力学效率与结构稳定性之间的权衡。此外，ANN将计算需求降低了约50%，证明了其在快速性能评估中的可行性。这些发现凸显了这种混合CFD-ANN方法作为创新、高效且精确的方法在推进风力涡轮机设计和优化方面的优势，有助于实现更安全、更具成本效益且可持续的可再生能源解决方案。