Reduced order models for the characterizations of winds used for wakes simulations.

IFP Energies nouvelles (IFPEN) est un organisme public de recherche, d’innovation et de formation dont la mission est de développer des technologies performantes, économiques, propres et durables dans les domaines de l’énergie, du transport et de l’environnement.

IFPEN met à disposition de ses chercheurs un environnement de recherche stimulant, avec des équipements de laboratoire et des moyens de calcul très performants.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Reduced order models for the characterizations of winds used for wakes simulations.

Participez à notre projet de recherche novateur sur l'éolien, une énergie renouvelable en plein essor ! La couche limite atmosphérique, avec ses turbulences et sa stabilité changeante, joue un rôle crucial dans les performances des éoliennes. Notre mission ? Développer un modèle efficace qui remplace les simulations LES traditionnelles, coûteuses en temps et en ressources. Ce modèle innovant vise à prédire avec précision les caractéristiques du vent, offrant ainsi une compréhension approfondie des interactions complexes entre la couche limite atmosphérique et les parcs éoliens. Cette avancée promet d'optimiser la conception et l'exploitation des installations éoliennes en fonction des conditions météorologiques, ouvrant la voie à une production d'énergie renouvelable plus efficace et durable.

Join our cutting-edge research project on wind power, a rapidly expanding renewable energy source! The atmospheric boundary layer is a fascinating area of study, with its turbulence and changing stability playing a crucial role in wind turbine performance. We're on a mission to develop an efficient model that will replace traditional LES simulations, which are costly in terms of time and resources. This innovative model will accurately predict wind characteristics, providing an in-depth understanding of the complex interactions between the atmospheric boundary layer and wind farms. This breakthrough will optimize the design and operation of wind farms according to meteorological conditions, paving the way for more efficient and sustainable renewable energy production.

Objectives:

Le modèle atmosphérique complet s'appuie sur un ensemble de paramètres d'entrée, incluant la rugosité de surface, la vitesse du vent géostrophique, la latitude et le profil initial de température potentielle. Ces variables clés permettent de générer des sorties caractérisant les variations spatio-temporelles des vitesses d'écoulement. La quête d'efficacité computationnelle nous conduit à explorer la réduction de ce modèle complexe, en cherchant à rationaliser l'espace des paramètres d'entrée et en évaluant la possibilité de réduire leur nombre sans compromettre la qualité des prédictions. Parallèlement, nous explorerons des algorithmes d'échantillonnage avancés pour une exploration optimale de cet espace paramétrique. Une fois cette optimisation effectuée, nous nous appuierons sur des techniques éprouvées de réduction de base, telles que la Décomposition Orthogonale aux valeurs Propres (POD), pour construire un modèle réduit.

L'efficacité de ce modèle sera évaluée selon des critères de performance stricts, notamment sa capacité d'extrapolation à des paramètres non explorés et le respect des contraintes physiques inhérentes au système. En fonction des résultats obtenus et de l'effort computationnel requis, nous envisagerons l'application de techniques de réduction plus récentes et innovantes, ouvrant ainsi la voie à des avancées significatives dans la modélisation atmosphérique pour l'énergie éolienne.

The complete atmospheric model is based on a set of input parameters, including surface roughness, geostrophic wind speed, latitude, and initial potential temperature profile. These key variables are used to generate outputs that characterize the spatio-temporal variations in flow velocities. In order to achieve greater computational efficiency, we are investigating ways of reducing the complexity of this model. Our aim is to rationalise the number of input parameters and assess whether it is possible to reduce them without affecting the quality of the predictions. Additionally, we will investigate advanced sampling algorithms to efficiently explore this parameter space. Once the optimization has been completed, we will utilize proven basic reduction techniques, such as Proper Othogonal Decomposition (POD), to develop a reduced model. The effectiveness of this model will be evaluated based on rigorous performance criteria, including its capacity to extrapolate to previously unexplored parameters and adherence to the system's inherent physical constraints. Based on the outcomes and the computational resources required, we will assess the potential for implementing more recent and innovative reduction techniques, which could lead to significant advancements in atmospheric modeling for wind energy.