Numerical investigation of wind farm wake interactions using Physics-Informed Machine Learning (PIML)

The accelerating shift toward renewable energy—driven by rising fossil fuel costs and growing environmental concerns—has positioned wind energy as a cornerstone of sustain able power generation. Among the various approaches, offshore wind farms have attracted increased attention due to their access to stronger and more consistent wind resources. However, optimizing their performance necessitates accurate modeling of the complex wake interactions that occur between turbines. While traditional numerical models offer high precision, they are computationally expen sive. Conversely, purely data-driven machine learning models often lack physical inter pretability and require large datasets. To address this gap, physics-informed machine learning (PIML) has emerged as a promising hybrid approach, combining the predictive capabilities of artificial intelligence with the constraints of physical laws. This thesis investigates the development and evaluation of six distinct PIML models aimed at simulating and predicting wake interactions within wind farms. These models are built upon two foundational frameworks: the Bastankhah–Porté-Agel (BPA) Gaussian wake model and Pop’s basis tensor methodology. Specifically, two models are based on Pop’s basis tensors, two utilize the BPA wake formulation, one incorporates a wake decay function, and one unified model synthesizes all of these approaches. Additionally, a purely data-driven neural network is developed for comparison. The results demonstrate that models based solely on Pop’s basis tensors generally out perform the others in both accuracy and computational efficiency. The final chapter also presents several supplementary models which, although less effective, provide valuable insights and highlight potential directions for future research.

Il rapido passaggio verso le fonti di energia rinnovabile — spinto dall’aumento dei costi dei combustibili fossili e dalle crescenti preoccupazioni ambientali — ha reso l’energia eolica una componente fondamentale nella produzione sostenibile di energia. Tra le di verse soluzioni, i parchi eolici offshore hanno suscitato un interesse crescente grazie alla disponibilità di risorse eoliche più intense e costanti. Tuttavia, l’ottimizzazione delle loro prestazioni richiede una modellazione accurata delle complesse interazioni di scia che si verificano tra le turbine. I modelli numerici tradizionali, pur offrendo un’elevata precisione, risultano spesso onerosi dal punto di vista computazionale. Al contrario, i modelli di machine learning puramente basati sui dati tendono a mancare di interpretabilità fisica e richiedono grandi quantità di dati. Per colmare tale divario, l’approccio Physics-Informed Machine Learning (PIML) è emerso come una promettente metodologia ibrida, in grado di combinare le capacità predittive dell’intelligenza artificiale con i vincoli imposti dalle leggi fisiche. La presente tesi analizza lo sviluppo e la valutazione di sei modelli PIML distinti, pro gettati per simulare e prevedere le interazioni di scia all’interno di parchi eolici. Tali modelli si basano su due strutture teoriche principali: il modello di scia gaussiano di Bastankhah–Porté-Agel (BPA) e la metodologia dei tensori di base di Pop. In partico lare, due modelli sono fondati sui tensori di base di Pop, due si basano sulla formulazione di scia BPA, uno incorpora una funzione di decadimento della scia e un modello unificato sintetizza tutti questi approcci. Inoltre, è stato sviluppato un modello di rete neurale puramente data-driven per finalità di confronto. I risultati dimostrano che i modelli basati esclusivamente sui tensori di base di Pop of frono, in generale, le migliori prestazioni sia in termini di accuratezza sia di efficienza computazionale. L’ultimo capitolo presenta infine alcuni modelli aggiuntivi che, sebbene meno efficaci, forniscono indicazioni significative e delineano possibili direzioni per futuri sviluppi di ricerca