编辑推荐：
潮汐涡轮在波流耦合载荷下的非稳态水动力性能分析，提出高精度CFD-机器学习集成框架，通过拉丁超立方采样生成四维参数矩阵，构建GPR代理模型并采用Sobol方差敏感性分析，揭示波高、周期、叶尖速比及浸没深度对推力和功率的敏感性排序，为优化涡轮设计与可靠评估提供新方法。
王世业|钱旭东|张学杰
新加坡国立大学土木与环境工程系，117576，新加坡
摘要
本研究提出了一个综合框架，该框架结合了高保真计算流体动力学、机器学习和全局敏感性分析，以量化水平轴潮汐涡轮机在波浪-水流联合作用下的非稳态水动力性能。通过对比水槽试验验证的计算流体动力学模型（推力误差为4.1%，扭矩误差为7.2%），利用拉丁超立方抽样方法生成了潮汐涡轮机在四维空间（波高、波周期、平均叶尖速度比和相对浸没深度）中的响应矩阵，从而实现了对水平轴潮汐涡轮机的计算高效全局评估。基于该数据集训练的高斯过程回归替代模型为涡轮机提供了准确的映射。这种替代模型使得可以使用Sobol分析进行基于方差的全面全局敏感性分析，揭示了由于计算限制而无法获得的各个参数的物理特性。所提出的计算流体动力学模型能够捕捉涡轮机在稳态和非稳态载荷下的性能，而训练有素的替代模型可以可靠地预测波浪引起的推力和功率波动。平均推力和功率主要受平均叶尖速度比的影响，而非稳态水动力波动则主要受表面波特性影响，尤其是波周期，其次是波高、叶尖速度比和浸没深度。
引言
潮汐流能量是一种具有高功率密度、卓越的可预测性和可持续性的有前景的可再生能源[1]、[2]。能量转换装置利用潮汐能量将潮汐流的动能转化为电能[3]、[4]。水平轴潮汐涡轮机（HATT）已成为最具潜力的技术，在最近几十年中吸引了越来越多的研究和实际应用兴趣。虽然HATT由于水的密度而具有显著的优势，但其转子会受到表面波、空间非均匀水流和入流湍流的复杂非稳态水动力载荷[5]、[6]。Han等人证明，更高的叶尖速度比可以通过增强湍流混合来加速尾流恢复，而不对称的剪切入流可能会使涡轮机性能下降多达16%，并增加扭矩波动[7]、[8]。
早期关于HATT的研究主要集中在稳态流动条件下对其水动力载荷和功率性能的探讨。Bahaj等人在空化隧道和拖曳水池中对缩比HATT进行了全面的实验研究，以测量其功率和推力特性[9]。Atcheson等人通过一系列现场拖曳试验，在均匀稳态流动条件下研究了大型HATT的性能和尾流特性[10]。Harvey等人在拖曳水池中进行了实验，为HATT在明确定义的稳态流动条件下的性能建立了基准数据集[11]。表面波是潮汐涡轮机所经历的非稳态水动力载荷的重要来源。由于HATT通常安装在靠近自由表面的位置以利用更高的流速，它们与波浪的相互作用会对叶片、塔架和连接器等关键部件施加周期性载荷，从而显著增加结构疲劳的可能性。Barltrop等人在拖曳水池中对缩比HATT进行了实验研究，以研究其在规则波浪下的水动力载荷[12]、[13]，结果表明与表面波的相互作用会导致推力和扭矩的周期性波动[12]。Luznik等人研究了表面波对HATT性能的影响，并证明虽然平均功率系数不受影响，但波浪的存在会导致扭矩和功率输出的显著瞬时波动[14]。Martinez等人测试了HATT在斜向波浪和水流联合作用下的性能，发现动态载荷显著增加[15]。Draycott等人实验量化了非线性波浪对HATT的影响，并发现与稳态水流条件相比，波浪引起的波动使峰值功率和推力分别增加了高达160%和65%[16]。Guo等人研究了表面波对HATT性能的影响，表明波浪会导致推力和扭矩的周期性振荡，振幅可达平均值的50%[17]。Kong等人使用3D IDDES模型研究了并排HATT在波浪-水流相互作用和俯仰运动下的水动力和尾流特性[18]。他们发现波高显著驱动了周期性载荷振荡，而俯仰幅度对平均性能的影响很小，流体惯性主导了非稳态载荷特性。
尽管过去十年的大量研究表明表面波通过实验和数值方法对HATT的水动力性能有影响，但表面波参数、涡轮机转速和浸没深度对HATT水动力学的定量影响仍不够清楚。现有文献中的敏感性分析主要是通过局部参数研究来实施的。研究报道了特定操作范围内的参数分析并确定了一些趋势，但这些局部研究不足以确定每个因素在整个操作范围内的贡献。例如，Guo等人和Galloway等人使用单变量参数变化来评估HATT的推力和功率对波高和周期变化的响应[17]、[19]。同样，Tatum等人[20]、Sufian等人[21]和Mcnaughton等人[22]的数值研究也探讨了尾流特性和功率波动对特定波浪-水流组合的敏感性。典型的参数研究可能仅选择少数离散值来形成梯度，以评估给定参数的影响。虽然这种方法可以揭示局部趋势，但它对参数的整体影响提供的洞察有限。这种限制源于此类稀疏分析未能捕捉到通常表征系统响应的非线性依赖性，并忽略了参数之间的相互作用效应，其中一个参数的影响取决于其他参数的状态。尽管敏感性分析在评估设计和数值参数对涡轮机性能的影响方面已被证明是有效的，但全面的全球定量评估仍然缺乏。理解这些耦合关系至关重要，因为阐明波浪和水流对HATT推力和功率的综合效应可以提高涡轮机的能量转换效率，准确预测复杂海洋条件下的动态载荷，并最终降低因疲劳引起的结构故障的可能性。
本文提出了一个全面的框架，通过全局敏感性分析来量化HATT的水动力性能。我们的方法利用经过验证的高保真CFD模型生成虚拟数据集，用于训练计算效率高的机器学习替代模型。该替代模型利用Sobol指数进行基于方差的敏感性分析，以定量识别在波浪-水流联合作用下控制HATT非稳态性能的最具影响力的水动力因素。这一创新框架将高保真CFD与机器学习技术相结合，有效弥合了模拟精度和计算成本之间的差距。因此，它促进了影响HATT性能的水动力因素的全面全球分析，为优化其运行效率提供了关键见解。
部分摘录
基本框架
图1展示了HATT水动力性能全局敏感性分析的提出的框架。这种六步方法从基于物理的建模到数据驱动的分析建立了工作流程，其中经过验证的高保真CFD模拟作为训练稳健的机器学习替代模型的可靠数据生成器，从而实现基于Sobol的全局敏感性分析。第一步是开发一个经过水槽试验校准的高保真CFD模型，以模拟HATT的
水槽试验简介
Guo等人[17]报告的HATT在稳态和非稳态流动条件下的水槽试验为校准所提出的CFD方法提供了基准。他们的水槽试验使用了一个1:25比例的3叶片HATT，代表一个直径为20米、容量为1兆瓦的原型潮汐涡轮机。HATT的设计遵循弗劳德相似性原理。在试验过程中，叶片的雷诺数达到了1 × 105，这意味着涡轮机所承受的载荷条件与之相似HATT的非稳态水动力响应
在HATT的水动力分析中，涡轮机的推力和扭矩在波浪-水流相互作用下表现出显著的振荡。图8显示了一个典型的推力时间历史曲线及其特征点和相应的速度等值线。在点A（时间=0.15秒）处，曲线显示出一个尖锐的峰值，这是由于转子开始旋转时叶片周围的显著湍流和流动不稳定性造成的。图8(b)中的速度等值线描绘了流体速度的初始状态虚拟矩阵数据集的拉丁超立方抽样
本研究采用拉丁超立方抽样（LHS）[28]来生成数据集。LHS是一种分层抽样技术，其主要优点在于能够确保每个输入参数在其定义范围内的均匀和独立分层。这种方法用相对较少的样本来高效覆盖整个设计空间，同时避免了聚类效应。选择了四个主要的物理参数来定义设计空间：Sobol敏感性分析简介
进行全局敏感性分析（GSA）可以识别控制HATT水动力性能的关键参数。在各种GSA技术[33]中，本研究选择了Sobol方法[34]、[35]。如前一节所述，所提出的GPR替代模型使得全局敏感性分析在计算上变得可行。Sobol敏感性分析是一种基于方差的GSA方法，用于量化每个输入参数对模型总方差的贡献
结论
本文提出了一个基于CFD和机器学习的全面集成框架，用于量化HATT在真实波浪-水流作用下的水动力性能。通过结合经过验证的高保真CFD模型和GPR以及基于Sobol方差的敏感性分析，所提出的方法开发了一种计算上可行且物理上严谨的方法，以理解多维参数空间中HATT的水动力行为CRediT作者贡献声明
张学杰：撰写 – 审稿与编辑、调查。王世业：撰写 – 原始草稿、可视化、验证、方法论、调查、形式分析、数据管理、概念化。钱旭东：撰写 – 审稿与编辑、监督、资源管理、项目协调、资金获取、概念化利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。致谢
作者感谢新加坡国家研究基金会（NRF）、PUB（新加坡的国家水务局）对在新加坡海岸防护和洪水韧性研究所（CFI）进行的这项工作的支持，该工作是在海岸防护和洪水管理研究计划（CFRP, 2024/T2/V1-P3）下完成的。作者还要感谢洛桑联邦理工学院的Tianyu Gu对全局敏感性分析的建议。作者还要感谢Chun Xia
