第十九屆中國可再生能源大會-風能分會暨風電高質量發展大會基于氣象數值預報尺度風場的高精度三維風場智能重構南京航空航天大學民航學院研究背景最新超級計算機算力表明當前實時天氣預報最精細水平網格尺度一般為1~4km量級。實時天氣預報模式尚無法滿足結構風工程領域和機器學習算法能夠在大量數據中學習湍流結構的特風能評估領域對高精度湍流風場的需求。征，并在不同尺度上進行重構和預測，可為結構風高精度數值模擬方法能夠提供豐富的三維流場信息，但其計算復雜工程和風能評估研究提供真實高精度湍流風場。度和成本較高。-2--2-研究背景神經網絡及超分辨率重構超分辨率重構：超分辨率重構：通過低分辨率圖像或圖像序列恢復出高分辨率圖像σ(x)=ReLU(x)=max(x,0).w=argminw=argminw||y-f(x;w)||湍流場時空重構考慮三個時間步長的湍流重構二維湍流場超分辨率重構考慮三個時間步長的湍流重構二維湍流場超分辨率重構基于深度學習的三維風場重構-3--3-數據集基于理想臺風風場數據集進行DSC/MS基于理想臺風風場數據集進行DSC/MS網絡的訓練、測試和預WRF-LES測。（/datasets/ds301.0/）該數據集來源于基于中尺度氣象數值模式WRF開展的理想臺風數值模擬結果，采用了WRF-LES模塊。數據集包含四種不同海表溫度（26℃、27℃、28℃和29℃)情況的理想臺風數據。選擇海表溫度為29℃的Domain6臺風工況作為基礎數據集。D6數據集水平網格尺度為62m，水平網格數為967×967，垂直層數為87，起始和終止時間為18:00-22:00，時間步為0.25s。為了適應DSC/MS方法的模型訓練，以臺風中心為基點，將水平網格數簡化為960×960。-4--4-數據集以62m水平網格尺度精細化臺風風場作為準確值（記為Grid-62m使用不同風場資料，記為Grid-185m、Grid-556m、Grid-1000m和Grid-1667m，作為輸入的低分辨率數據集。選擇平均池化(average)來對精細風場進行下采樣。這些池化操作定義為池化操作分別在M×M像素的方形池化窗口上進行，這使得大小為L×L像素的原始圖像可以縮小到(L/M)×(L/M)像素。L×L960×960L×L960×960Horizontalgriddistance(m)(L/M)×(L/M)像素Grid-185m960/3Grid-556m960/9Grid-1000m960/16Grid-1667m960/27低分辨率數據集低分辨率數據集-5--5-改進卷積神經網絡（Convolutionalneuralnetworks，CNN）模型。上半部分綠色背景區域為下采樣跳躍連接模型（Down-SamplingSkipConnection其中三角運算表示數據壓縮的操作。下半部分藍色背景區域為多尺度模型（Multi-Scale其中包含多個具有不同長度和大小的過濾器。卷積操作yc=σ(k*xc+bc),過濾器DSC/MS模型可同時捕捉大尺度流場結構和湍流小尺度結構。將“粗糙”尺度流場輸入DSC/MS模型，經過一系列的最大池化、卷積操作，再將其與下采樣數據跳躍連接，再重復卷積-6--6-模型訓練過程理想臺風數據集包含了不同時間和不同高度的多組數據，個垂直高度層）960×960的數據分布樣本。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m中樣本與Grid-62m中樣本在時間和高度上均為一一對應。時間點的100個樣本進行預測分析。模型參數設置模型參數設置每次訓練隨機選擇70%的樣本作為訓練集，剩余的30%作為測試集。止準則，以防止過擬合現象發生。為適應學習模型，優化器（Optimizer）選擇的是Adam，學習率默認設置為0.001。采用的是均方差（MSE）損失函數，用以衡量預測值與真實值之間距離的平方和。-7--7-風場超分辨率重建結果比較不同“粗糙”尺度風場模型預測結果與真實值之間的差異。輸入值與真實值、預測值與真實值，二者的絕對平均誤差分別被定義為e1和Grid-185m、Grid-556m、Grid-1000m和Gr場與Grid-62m真實值風場之間的絕對平均誤差e1分別為0.521、1.594、2.612、3.968。基于DSC/MS模型重構臺風風場的方法在一定“粗糙”尺度輸入風場條件下能夠改善臺風風場誤差，但對于臺風眼壁區附近湍流小尺度結構重構效果較差。風場預測值與真實值的誤差風場預測值與真實值的誤差(e2)使用豎向風場數據進行超分辨率重構，將得到的結果與水平風場在時間和空間上匹配重組，對比值之間的差異。-8--8-風場超分辨率重建結果L2normerror(e)L2normerror(e)e=||xHR-f(x)||2/||xHR||2.風場概率密度分布p.d.f.(f(x))可以展示臺風風場的統計規律。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m預測值的概率密度函數與Grid-62m真實值概率密度函數的Kullback-Leibler散度分別是6.878×10-5，1.019×10-(a)h40_18:00(d)h41_20:00(c)h40_22:00(b)h40_20:00(a)h40_18:00(d)h41_20:00(c)h40_22:00-9--9-風場超分辨率重建結果訓練DSC/MS模型和重建臺風風場的計算時間基本如下（使用NVIDIATeslaK40圖形處理器）。雖然這看起來在計算上很費力，但應該注意的是，模型的推導只需要一次。DSC/MS方法能夠比雙三次插值方法更快地重建臺風風場。理想情況下，執行訓練過程可導出廣泛用于一系列應用，且計算上廉價的模型。能使用此次訓練模型預測其他不相關的臺風風場。訓練和重建的計算時間訓練和重建的計算時間13.92=319s/ep.×157ep.在波數為10-3至10-2/m（波長為102至103m）范圍內，其預測結果的動能均低于真實值。這可能是由于輸入集中大尺度結構和小尺度結構之間的波數差距造成的動能損失。-10--10-風場超分辨率重建結果最大風速位置和大小代表了臺風風場的影響區域范圍。將不同“粗糙”尺度風場重構最大風速位置和大小代表了臺風風場的影響區域范圍。將不同“粗糙”尺度風場重構得到的精細化風場與Grid-62m真實臺風場最大風速分布進行對比分析。Grid-185m、Grid-556m、Grid-1000m和Grid-1667m預測值擬合曲線與Grid-62m真實值擬合曲線的相關系數分別是0.993、0.904、0.862和0.816。最大風速的單位是m/s；最大風速的位置用水平坐標表示，原點位于風場圖像左下角。分別計算不同“粗糙”尺度風場最大風速預測值與真實值的相對誤差和最大風速位置的空間偏移。最大風速預測值與真實值相對誤差和位置的空間偏移最大風速預測值與真實值相對誤差和位置的空間偏移-11--11-11原因是臺風場眼壁區小尺度漩渦多、速度梯度變化快，難以捕捉現象。22分析指標與Grid-556m相當，且重構結果均優于傳統插值方法。因此，在一定程度上實現了從千米量級到百米量級的跨越。33本次使用的機器學習模型是完全基于數據的，沒有考慮控制方程和物理先驗知識，在后續的研究中，可以考慮在訓練損失中添加物理約束，并賦予其適當的權重，以獲得更優的結果。-12--12-第