Discovering an interpretable mathematical expression for a full wind-turbine wake with artificial intelligence enhanced symbolic regression

全球风能迅速扩张凸显了工程分析式尾流模型在风电场设计和运营中的关键意义。这些理论派生的分析式尾流模型由于假设不成立，特别是在靠近涡轮机转子的近尾流区域，其预测能力有限。知识发现方法可以通过提取洞察力，调整理论假设并开发物理过程的准确模型来弥补这些差距。在本研究中，我们介绍了一种基因符号回归（SR）算法，以发现一个可解释的数学表达式，用于描述尾流中的平均速度缺陷，这是以前不可获得的洞察力。通过将双高斯分布纳入SR算法作为领域知识并设计分层方程结构，缩小了搜索空间，从而高效地找到了简洁、物理信息丰富和稳健的尾流模型。所提出的数学表达式（方程）可以高精度和稳定地预测全尾流区域任何位置的尾流速度缺陷。该模型的有效性和实用性通过实验数据和高保真数值模拟得到了验证。

论文旨在通过使用基因符号回归算法，发现一个可解释的数学表达式，以预测风机尾迹中的平均速度缺失。这是一个新问题。

通过将双高斯分布纳入符号回归算法作为领域知识，并设计分层方程结构，减少搜索空间，从而高效地找到简明、物理信息丰富和稳健的尾流模型。

论文使用基因符号回归算法，发现了一个可解释的数学表达式，以预测风机尾迹中的平均速度缺失。模型经过实验数据和高保真数值模拟验证，具有高精度和稳定性。值得注意的是，模型的有效性和实用性得到了验证。

最近的相关研究包括利用深度学习方法预测风机尾流模型，利用机器学习方法优化风机阵列布局等。