Tyrėjai pasiekė proveržį: viena didžiausių vėjo energetikos problemų gali būti išspręsta su DI

Vėjas kalnuose elgiasi neprognozuojamai: virš keterų pagreitėja, slėniuose susisuka į sūkurius, o kryptį gali pakeisti vos per kelis metrus. Dėl to vėjo energetikos projektams sudėtingiausia dalis dažnai būna ne pati statyba, o tikslus vėjo lauko įvertinimas konkrečioje vietoje.

Iki šiol inžinieriai dažniausiai rėmėsi skysčių dinamikos skaitmeniniais skaičiavimais, kurie reikalauja daug laiko, brangios skaičiavimo įrangos ir patirties. Vienas detalus skaičiavimas gali trukti valandas ar net dienas, o vertinant daug alternatyvių vietų ir skirtingas įtekėjimo sąlygas procesas dar labiau išsitęsia.

Kodėl kalnų vėją sunku modeliuoti?

Kalnų reljefas ne tik nukreipia oro srautą, bet ir sukuria staigius greičio bei turbulencijos pokyčius. Aštrios keteros sustiprina srautą, slėniai formuoja recirkuliacijos zonas, o pavienės uolų atodangos gali sukelti lokalų greičio gradientą, kuris kardinaliai skiriasi nuo aplinkinių taškų.

Tradiciniai metodai šį sudėtingumą sprendžia sudarydami skaitmeninį tinklelį, priderintą prie konkretaus reljefo. Toks tinklelis paprastai rengiamas individualiai kiekvienai vietovei, todėl kiekvienas naujas kalnų masyvas reiškia naują rankinio darbo etapą ir papildomą kainą.

Dual-attention DI sprendimas

Naujas tyrėjų pasiūlytas metodas remiasi neuroninių operatorių idėja: vietoj to, kad kiekvieną kartą iš naujo būtų sprendžiamos sudėtingos fizikinės lygtys, modelis išmoksta ryšį tarp įvesties sąlygų ir trimačio vėjo lauko. Praktinis efektas paprastas – prognozė gaunama per sekundes, o ne per valandas.

Šio sprendimo esmė – transformerių architektūra ir dvigubo dėmesio mechanizmas, leidžiantis vienu metu fiksuoti ir bendrą srauto struktūrą, ir labai lokalias detales. Tyrėjai pateikė dvi realizacijas: be tinklelio veikiantį taškais paremtą variantą ir grafais paremtą variantą, kuriame reljefo bei srauto ryšiai aprašomi tarpusavyje sujungtais mazgais.

Ką rodo bandymai ir kam tai svarbu?

Bandymuose su kalnuotomis vietovėmis modelis, lyginant su ankstesniais neuroninių operatorių sprendimais, pasiekė apie 10 proc. mažesnę santykinę paklaidą. Ypač reikšminga tai, kad metodas gali veikti ir su reljefu, kurio anksčiau nematė, o tai svarbu vertinant naujas, dar neištirtas teritorijas.

Tyrėjai taip pat parodė, kad net labai nedidelis realių matavimų kiekis gali pastebimai pagerinti prognozes. Integravus menką stebėjimų dalį, paklaida sumažėjo reikšmingai, todėl toks derinys gali tapti praktišku kompromisu tarp brangių matavimo kampanijų ir grynai skaitmeninių skaičiavimų.

Vėjo energetikai tai reiškia greitesnį ir potencialiai pigesnį vietos parinkimo etapą, kai sprendžiama, kur statyti jėgaines ir kaip išdėstyti parką. Platesniame kontekste panašūs įrankiai gali būti pritaikomi ir atmosferos bei paviršiaus sąveikos tyrimuose ar regioniniuose oro srautų vertinimuose, kur reljefas turi lemiamą įtaką rezultatams.