Multi-scale Dynamic Wake Modeling of Floating Offshore Wind Turbines via Fourier Neural Operators and Physics-Informed Neural Networks

📄 arXiv: 2604.23937v1 📥 PDF

作者: Guodan Dong, Jianhua Qin, Chang Xu

分类: physics.flu-dyn, cs.LG

发布日期: 2026-04-27

💡 一句话要点

利用傅里叶神经算子预测漂浮式海上风机多尺度动态尾流，实现实时控制与优化。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 傅里叶神经算子 漂浮式海上风机 动态尾流预测 物理信息神经网络 湍流建模

📋 核心要点

  1. 漂浮式海上风机的实时控制和性能优化需要准确的多尺度动态尾流预测，现有方法难以兼顾精度和效率。
  2. 论文提出使用傅里叶神经算子（FNO）学习尾流动力学，旨在更准确、高效地预测复杂湍流尾流。
  3. 实验表明，FNO在捕捉尾流高频相干结构和训练速度上均优于物理信息神经网络（PINN），为尾流预测提供新思路。

📝 摘要（中文）

本研究首次利用傅里叶神经算子（FNO）和物理信息神经网络（PINN）重建并预测漂浮式海上风机（FOWT）在不同斯特劳哈尔数（St = [0, 0.6]）下，耦合纵荡和变桨运动产生的复杂湍流尾流。结果表明，虽然两种模型都能成功捕捉尾流蜿蜒等主要动态特征，但PINN生成的尾流相对平滑，无法解析高频相干结构以及尾流中心和半宽的时间变化强度。FNO能有效解析大尺度和小尺度相干湍流结构，保真度显著提高。此外，FNO的训练速度比PINN快约八倍，收敛所需的epoch也更少。功率谱密度（PSD）分析表明，FNO不仅能更有效地捕捉主要的尾流蜿蜒频率（St），还能捕捉其高阶谐波（如2St和3St）以及小尺度相干结构。实际上，PINN有效地充当了时空低通滤波器，仅能解析大尺度动态特征，无法捕捉耦合纵荡和变桨运动引起的光谱特征，从而显著低估了高频区域的能量。这些发现表明，FNO是一种很有前途的FOWT尾流预测方法。

🔬 方法详解

问题定义：论文旨在解决漂浮式海上风机（FOWT）在复杂运动下产生的动态尾流预测问题。现有方法，如计算流体动力学（CFD）计算成本高昂，难以满足实时控制需求。而物理信息神经网络（PINN）虽然可以结合物理知识，但难以捕捉高频湍流结构，精度受限。因此，需要一种既能保证精度，又能兼顾效率的尾流预测方法。

核心思路：论文的核心思路是利用傅里叶神经算子（FNO）直接学习尾流的时空演化规律。FNO在傅里叶空间进行卷积运算，能够高效地捕捉全局依赖关系，从而更准确地预测复杂湍流尾流。同时，FNO是一种数据驱动的方法，避免了繁琐的物理建模过程，提高了计算效率。

技术框架：整体框架包括数据生成和模型训练两个阶段。首先，通过高精度的CFD模拟生成FOWT在不同工况下的尾流数据。然后，利用这些数据训练FNO模型，使其学习尾流的时空演化规律。训练好的FNO模型可以用于实时预测FOWT的动态尾流。

关键创新：论文的关键创新在于首次将FNO应用于FOWT的动态尾流预测。与传统的PINN方法相比，FNO能够更有效地捕捉高频湍流结构，提高预测精度。此外，FNO的训练速度也比PINN更快，更适合实时控制应用。

关键设计：FNO的网络结构包括输入层、提升层、傅里叶层、解码层和输出层。傅里叶层是FNO的核心，它在傅里叶空间进行卷积运算，捕捉全局依赖关系。论文中，FNO的输入是FOWT的运动参数（如纵荡和变桨），输出是尾流的速度场。损失函数采用均方误差（MSE），优化器采用Adam。论文还对FNO的超参数进行了优化，以获得最佳的预测性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FNO在尾流预测精度和效率上均优于PINN。FNO能够更有效地捕捉高频湍流结构，功率谱密度分析表明，FNO能捕捉尾流蜿蜒频率及其高阶谐波。FNO的训练速度比PINN快约八倍，收敛所需的epoch也更少。这表明FNO是一种很有前途的FOWT尾流预测方法。

🎯 应用场景

该研究成果可应用于漂浮式海上风机的实时控制、性能优化和集群布局设计。通过准确预测尾流，可以优化风机的控制策略，提高发电效率，降低载荷。此外，还可以利用尾流预测结果优化风机集群的布局，减少尾流效应对下游风机的影响，提高整体发电量。该研究对推动海上风电技术的发展具有重要意义。

📄 摘要（原文）

Multi-scale dynamic wake prediction is essential for the real-time control and performance optimization of floating offshore wind turbines (FOWTs). In this study, Fourier neural operators (FNOs) and physics-informed neural networks (PINNs) are utilized for the first time to reconstruct and predict the complex turbulent wakes of the FOWT under coupled surge and pitch motions across a range of Strouhal numbers (St = [0, 0.6]). Results demonstrate that while both models successfully capture dominant dynamic characteristics such as wake meandering, PINN-generated wakes appear relatively smooth, failing to resolve high-frequency coherent structures as well as the intensity of temporal variations in wake center and wake half-width. FNO effectively resolves both large- and small-scale coherent turbulent structures with significantly higher fidelity. Furthermore, FNO achieves a training speed approximately eight times faster than PINN, converging in far fewer epochs. Power spectral density (PSD) analysis reveals that FNO is more effective at capturing not only the primary wake meandering frequencies (St) but also their higher-order harmonics (e.g., 2St and 3St) and small-scale coherent structures. In fact, PINN effectively acts as a spatiotemporal low-pass filter; they resolve only large-scale dynamic features and fail to capture other spectral signatures induced by coupled surge and pitch motions, thereby significantly underestimating the energy in the high-frequency regime. These findings suggest that FNO is a promising approach for FOWT wake prediction.