引文格式:
Liu D P, Ferri G, Heo T, et al. On long-term fatigue damage estimation for a floating offshore wind turbine using a surrogate model[J]. Renewable Energy, 2024, 225: 120238.
Liu, Ding Peng, et al. "On long-term fatigue damage estimation for a floating offshore wind turbine using a surrogate model." Renewable Energy 225 (2024): 120238.
Liu, D. P., Ferri, G., Heo, T., Marino, E., & Manuel, L. (2024). On long-term fatigue damage estimation for a floating offshore wind turbine using a surrogate model. Renewable Energy, 225, 120238.
背景简介
锆本研究涉及漂浮式海上风机长期疲劳损伤的估计。为了有效评估漂浮式海上风机系统的疲劳极限状态,引入了一个详细的计算框架,并用于开发使用高斯过程回归的代理模型。代理模型起初仅依赖于一小部分代表性海况,然后辅以对其他海况的评估,从而实现疲劳损伤的高效收敛和准确预测。选择由半潜式浮动平台支撑的 5 MW 海上风力涡轮机来演示拟议的框架。涡轮机塔架底部的前后弯矩和迎风系泊线中的导缆器张力用于评估。海洋气象数据提供了有关风浪联合统计数据的信息,以及西西里岛海岸附近地中海安装地点的相对可能性。耦合频域模型为所需的响应过程提供所需的功率谱。所提出的方法为对大量海况进行详尽评估提供了一种高效且准确的替代方案,避免了过度的响应模拟。
成果介绍
(1)图1给出了基于替代高斯过程回归模型的有效长期疲劳损伤评估框架。气象海洋数据分析定义了用于训练 GPR 模型的初始海况。每个风速仓的 DEL1-Hz (短期 1 Hz 损坏等效负载)探地雷达模型在每次迭代中都会更新,并添加额外的海况。当每个风箱的响应面收敛时,可以计算总体长期疲劳损伤。
图1 基于高斯过程回归代理模型的高效长期疲劳损伤评估框架
(2)图2总结了所有风速箱的 DEL1-Hz 随 Hs和 Tp 的变化,这些风速箱是根据塔底座和系泊线负载的模拟得出的。对于塔基来说,较高的风速和较高的波高会引起较高的疲劳载荷。这与旋转转子在额定风速附近的较大陀螺阻尼有关,这具有减轻整个系统旋转运动的效果。相比之下,系泊线的最大疲劳损伤发生在额定风速附近。在这种情况下,会达到较大的喘振运动;因此,系泊装置变得更紧、更硬,导致缆索张力增加。事实上,在额定风速情况下(图2(g)),即当推力最大时,与这种现象相关的影响最大。此外,在图2(f-h)中,Hs 值接近零时,DEL1-Hz值急剧增加,这可能与流体动力粘性阻力阻尼的减少有关,因为这些阻力与波浪和运动幅度正相关。
图2 (a–d) 塔基和 (e–h) 系泊线的全网格模拟的精确 DEL1-Hz
(3)最初,选择八个海况,从而构成四个风速箱中每一个的训练数据集。这意味着第一次迭代中只需要 32 次频域模拟。然后将更多的模拟添加到原始训练数据集中,从而逐渐改进解决方案。当每个风速箱的累积短期损伤的变化在 10 次连续迭代中低于长期疲劳损伤 (T = 3600 s) 的 0.01% 时,假设损伤估计已收敛。该策略确保新的模拟仅关注对整体疲劳损伤影响最大的风速箱。图3显示了每个风速箱的累积损伤的收敛模式。累积损伤相对于长期损伤 (T = 3600 s) 进行标准化,以便比较各个风速箱的相对重要性。
图3 (a–d) 塔基和 (e–h) 系泊线每个风箱中标准化累积损伤的收敛
(4)图4和图5展示了在不同风速范围内,初始和最终稳定状态下表面间的短期疲劳损伤估计的绝对值差异。通过观察这两张图表,可以明显看出高斯过程回归(GPR)得到的响应面与通过大量全域网格模拟得到的精确解非常接近。通过细化分析过程,每个塔基表面的最大量残余损伤至少降低了75%。在系泊线稳定曲面上也观察到了相似的效果。此外,通过在两个不同表面上进行蒙特卡洛模拟(MCS),进一步验证了它们之间的相似性。
图4 比较GPR响应面细化后的 (a–d) 初始绝对残差和 (e–h) 最终绝对残差对塔基短期疲劳损伤的影响
图5 比较GPR响应面细化后的 (a–d) 初始绝对残差和 (e–h) 最终绝对残差对系泊线短期疲劳损伤的影响
致谢
这项工作得到PRIN 2022 项目“浮动式海上风力涡轮机 (NEPTUNE) 中的非线性现象”的部分支持。2022W7SKTL,由意大利 MUR 资助。本文第一作者:Ding Peng Liu(The University of Texas at Austin),本文通讯作者:Taemin Heo(The University of Texas at Austin)。
本期小编 石 韬(整理)
姚辰霖(校对)
郭子键(审核)
董乃健(发布)
|