XiaoMi-AI文件搜索系统
World File Search SystemOpenFAST
通过 OWENS 与 OpenFAST 的结合实现浮动海上 VAWT 设计
摘要：垂直轴风力涡轮机 (VAWT) 历史悠久，自 20 世纪 70 年代以来，已设计和测试了各种涡轮机原型。虽然目前只有少量公用事业规模的 VAWT，但将发电机放置在涡轮机底座附近可以使 VAWT 比传统的水平轴风力涡轮机更有利于浮动海上风电应用，因为可以降低平台成本并提高扩展潜力。然而，目前可用于 VAWT 的数值设计和分析工具很少。现有的用于 VAWT 气动-水力-伺服-弹性模拟的工程工具集之一是海上风能模拟器 (OWENS)，但它目前对浮动系统的建模能力是非标准的，并不理想。本文介绍了如何将 OWENS 与多个 OpenFAST 模块耦合以更新和改进浮动海上 VAWT 的建模，并讨论了这些新功能和特性的验证。耦合 OWENS 验证测试的结果与并行 OpenFAST 模拟结果非常吻合，验证了 OWENS 中用于浮动 VAWT 应用的新建模和仿真功能。这些发展将在未来实现浮动海上 VAWT 的设计和优化。
验证由OpenFast计算的局部结构负载，以针对焦点实验活动的测量值：预印本
这项工作介绍了基于焦点实验活动的数据浮动子结构的局部结构负载建模能力的验证。易于说明，OpenFast只能将浮动子结构表示为刚体的身体，尽管这种方法可以在大多数情况下对浮点的全局响应进行建模，但它无法捕获浮点各个成员中的结构负载。对局部子结构负荷进行考虑对于某些浮动设计很重要，因为追求成本降低通常会导致更轻，更灵活的结构。为了解决这一限制，露天（流体动力学）和subdyn（子结构dy-namics）模块最近已扩展到浮动子结构的灵活性。为了验证这一新功能，我们将OpenFast获得的结果与焦点实验活动中测量的数据进行了比较，该数据分析了IEA 15-MW参考涡轮机的1:70尺度性能匹配的模型，在风和波浪的作用下，缅因州伏特尔努斯S-Smagibersible的修改后的SEMES-S-SMAISSIBLE。出于本工作的目的，实验的最重要特征是每个浮桥的根部存在负载细胞，我们的目标是评估这些负载如何通过OpenFast重现。为了建模沿浮动子结构的分布式流体动力和液压载荷，我们采用了基于莫里森方程的条理论方法，我们讨论了不同湿动动力建模选项（波浪伸展，大型型，型型 - 富奇校正校正，以及二阶波动动力学）对运动和负载的影响。为简单起见，我们专注于唯一的波浪条件，无论是规则和不规则的条件。结果表明，对于这项工作中分析的波的浮力的载荷的负载表明了良好的一致性，尤其是考虑到简单的剥离理论模型固有的假设和简化。
使用模拟运动和LIDAR测量的基于机器学习的虚拟负载传感器
摘要。漂浮的海上风力涡轮机（FOWTS）配备了各种传感器，可为涡轮机监视和控制提供有价值的数据。由于技术和运营挑战，用于精确获得的系泊线和Fairleads的负载估计可能很难且昂贵。这项研究深入研究了一种方法，其中将模拟的浮游运动测量和风速测量得出，从前瞻性的基于Nacelle的Lidar得出，被用作不同类型的神经网络的输入，以估计Fairlead张力时间张力时间序列和损害等效载荷（DELS）。fairlead张力与浮游器的动力学和作用本质上相关。因此，我们系统地分析了浮油动力学对Fairlead张力时间序列和DELS预测质量的个人贡献。通过基于NACELLE的LIDAR获得的风速测量值在近海风力涡轮机上固有地影响了平台的动力学，尤其是旋转螺距的位移和流量器的潮流位移。因此，激光雷达风速数据间接包含浮雕的动态行为，这反过来又控制着Fairlead载荷。这项研究杠杆测量的视线（LOS）风速以估计Fairlead紧张局势。该模型的训练数据是由启用的风力涡轮机仿真工具与数值LIDAR模拟框架Vicondar一起生成的。使用长期短期内存（LSTM）网络预测Fairlead张力时间序列。del预测是使用三种不同方法进行的。首先，DEL是根据预测的时间序列计算得出的。其次，使用序列至一lstm体系结构预测DELS，第三，使用卷积神经网络体系结构预测DELS。结果表明，可以从浮游运动时间序列中准确估算Fairlead张力时间序列和DEL。此外，我们发现LiDAR LOS测量值不会改善时间序列或如果可用运动测量结果。然而，使用LiDar测量作为DEL预测的模型输入，导致与使用层的位移测量相似的精度。