Energy | 西工大史子颉、高传强等：三维风力机叶片动态失速数据融合建模研究

三维风力机叶片动态失速数据融合建模研究

Dynamic stall modeling of the wind turbine blade with a

data-knowledge-driven method

史子颉，高传强*，张伟伟

引用格式：Shi Z, Gao C*, Zhang W. Dynamic stall modeling of the wind turbine blade with a>

图1 经典动量叶素理论及动态失速修正框架

图2展示了数据融合三维叶片动态失速建模架构。首先，将L-B模型的附着流分量（Cnc）、非定常分离流分量（Cnf）、涡诱导分量（Cnv）等物理特征作为神经网络输入，继承模型对流动分离、涡脱落的物理描述。基于叶片动量叶素理论计算初始气动力，结合DFNN预测的动态失速升力反馈迭代，实现三维叶片载荷的快速修正。仅需二维翼型振荡实验数据训练，即可泛化至三维叶片不同风速、偏航角与径向位置的复杂工况。

图2 风力机叶片的数据-知识融合动态失速建模示意图

由于三维叶片的动态失速现象涉及失速流动、三维流动及偏航来流的相互耦合作用。且耦合效应随着来流速度、偏航角等参数的改变而改变。首先针对小风速、小偏航角下的非定常气动力预示。图3展示了不同偏航角度叶根位置的气动力随叶片旋转一周的预测情况。仅考虑L-B模型修正的非定常BEM严重低估偏航流动下的气动载荷。而DFNN模型可以与试验数据较为吻合。另外对于不同展向位置的剖面的非定常气动力也有较好的预测效果，如图4所示。本文的模型实现对于偏航与动态失速弱耦合下的三维叶片气动力非线性响应的精确预测。

图3 来流风速10m/s不同偏航角下叶根处非定常气动力预测结果

图4 来流风速10m/s，偏航角30度不同叶片展向位置非定常气动力预测结果

然而当风速进一步提高，偏航流动诱发的有效攻角增大、动态失速效应显著及三维效应逐渐占主导时，依赖于二维翼型数据训练的DFNN出现了一定的预示偏差。尤其对于最大攻角出现的迟滞效应，现有的模型均难以预测。一方面由于流动形态变化，使得三维展向流动占据主导，另一方面这些工况的攻角高于训练集包含的攻角范围。尽管如此，本文提出的框架对于动态失速的载荷增强仍具备较高的精度。

图5 30度偏航角下不同来流风速叶根处非定常气动力预测结果

对于二维翼型与三维叶片的动态失速载荷增强效应预测误差进行统计。本文提出的方法相较于理论模型的预测结果均有显著的提升。而训练数据仅依赖于5组二维翼型的强迫振动试验。

图6 DFNN模型与理论模型对于载荷增强效应的预测精度对比

本文是基于动量叶素理论对非定常分离流修正建模的初步探索。对于BEM理论中的非定常、分离流的修正模型及其诱发气动弹性响应仍需开展数据驱动的建模研究，以实现对于长柔叶片非定常气动力与气动弹性高效高精度预示。

公众号原文链接（文末附论文资源）：

https://mp.weixin.qq.com/s/Qa3PG8HzfLGz4nloPoRLEQ

注：文章由作者原创供稿，并获得作者授权发布。