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

Opis projektu

Wieloskalowy cyfrowy bliźniak do optymalizacji farm wiatrowych

Symulatory farm wiatrowych pomijają kluczowe oddziaływania płyn-struktura oraz turbulencje w śladzie aerodynamicznym, co prowadzi do niedokładnych prognoz dotyczących mocy wyjściowej i obciążeń zmęczeniowych. W ramach programu działania „Maria Skłodowska-Curie” zespół projektu MUSTWIND opracuje wieloskalowego cyfrowego bliźniaka dla farm wiatrowych nowej generacji, co będzie wspierać realizację europejskich celów klimatycznych na rok 2050. Naukowcy wykorzystają zaawansowane symulacje i uczenie maszynowe do wygenerowania szczegółowych zbiorów danych dotyczących turbulencji w śladzie aerodynamicznym oraz interakcji płyn-struktura. Celem inicjatywy jest umożliwienie predykcyjnego sterowania mocą wyjściową i konserwacją przy jednoczesnym obniżeniu kosztów eksploatacji. Dzięki połączeniu obliczeń o wysokiej wydajności z walidacją eksperymentalną projekt stanowi znaczący krok w kierunku optymalizacji energetyki wiatrowej i przyspieszenia transformacji w kierunku energii odnawialnej w Europie.

Cel

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.