Enhancing wind field resolution in complex terrain through a knowledge-driven machine learning approach

要約

大気の流れは多種多様な時空間スケールによって支配されているため、複雑な地形におけるこのような乱流を高解像度でリアルタイムに数値モデリングすることは、計算上困難です。
この研究では、ノルウェーのベッサカーにある実際の風力発電所で、低解像度の風力発電所をアップスケールして高解像度の風力発電所を生成する、強化された超解像度敵対的生成ネットワークによって動機付けられたニューラル ネットワーク アプローチを実証します。
ニューラル ネットワーク ベースのモデルは、局所的な地形を考慮しながら、より粗いスケールから完全に分解された 3D 速度場を首尾よく再構築すること、およびそれがトライリニア補間を容易に上回ることが示されています。
また、ドメイン知識に基づいた適切なコスト関数を使用することで、敵対的トレーニングの使用を軽減できることも示します。

要約(オリジナル)

Atmospheric flows are governed by a broad variety of spatio-temporal scales, thus making real-time numerical modeling of such turbulent flows in complex terrain at high resolution computationally intractable. In this study, we demonstrate a neural network approach motivated by Enhanced Super-Resolution Generative Adversarial Networks to upscale low-resolution wind fields to generate high-resolution wind fields in an actual wind farm in Bessaker, Norway. The neural network-based model is shown to successfully reconstruct fully resolved 3D velocity fields from a coarser scale while respecting the local terrain and that it easily outperforms trilinear interpolation. We also demonstrate that by using appropriate cost function based on domain knowledge, we can alleviate the use of adversarial training.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google