Multi-scale Unified Surrogates for Turbulence and Wake Interaction in Next-generation Digital Twins

Description du projet

Un jumeau numérique multi-échelle pour l’optimisation des parcs éoliens

Les simulateurs de parcs éoliens négligent les interactions fluide-structure et les turbulences de sillage, ce engendre des prévisions inexactes concernant la production d’électricité et les charges de fatigue. Soutenu par le programme Actions Marie Skłodowska-Curie, le projet MUSTWIND va développer un jumeau numérique multi-échelle pour les parcs éoliens de nouvelle génération, contribuant ainsi aux objectifs climatiques de l’Europe à l’horizon 2050. Il s' appuiera sur des simulations avancées et l’apprentissage automatique pour générer des ensembles de données détaillés sur la turbulence de sillage et les interactions fluide-structure. Cette initiative devrait permettre un contrôle prédictif de la production d’électricité et de la maintenance, tout en réduisant les coûts d’exploitation. En combinant le calcul haute performance et la validation expérimentale, le projet constitue une avancée majeure vers l’optimisation de l’énergie éolienne et l’accélération de la transition vers les énergies renouvelables en Europe.

Objectif

This project develops a groundbreaking multi-scale digital twin for next-generation wind farms, directly supporting Europe's 2050 climate neutrality goals under the Green Deal. Current wind farm simulators fail to capture critical fluid-structure interactions and wake turbulence dynamics, leading to poor predictions of power output and fatigue loads. This research addresses these limitations by integrating high-fidelity Large Eddy Simulation (LES) and Direct Numerical Simulation (DNS) with two-way fluid-structure interaction (FSI) coupling and machine learning.
The 24-month fellowship at Imperial College London's Turbulence Simulation Group, under Prof. Sylvain Laizet's supervision, pursues four key objectives: (1) generating high-resolution datasets of wake turbulence and FSI under misaligned, intermittent inflows; (2) characterising multi-scale physics through advanced diagnostics including vortex identification and fatigue analysis; (3) developing Bayesian-trained surrogate models for dynamic actuator-line corrections and reduced-order FSI coupling; and (4) integrating these surrogates into a farm-scale solver with real-time optimisation capabilities.
The methodology combines computational excellence with experimental validation, utilising European Tier-0 HPC facilities and wind tunnel data. Three interconnected work packages progress from high-fidelity data acquisition through physical analysis to surrogate model development, enabling predictive control of power output, fatigue loads, and maintenance scheduling.
Expected impacts span scientific advancement (first validated multi-scale wind farm digital twin), economic benefits (reduced O&M costs, improved LCOE), and societal gains (accelerated renewable energy transition, job creation). The project exemplifies interdisciplinary innovation, merging CFD, machine learning, and experimental validation to transform wind energy optimisation, positioning Europe at the forefront of digital twin technologies.