A neural network-enhanced velocity sampling method for angle of attack estimation in wind turbine simulations

The growing interest in wind energy has increased the demand for high-fidelity CFD simulations, with the Actuator Line Model (ALM) being one of the most widely used approaches for wind turbine blade modeling. Accurate estimation of the reference velocity and angle of attack (AoA) remains challenging, as state-of-the-art methods, including the Line-Average Method, fail to fully capture shedding, trailing vorticity and unsteady flow effects. This study proposes an evolution of the Line-Average Method through the concept of the First Valid Radius (FVR), correlated with key simulation parameters (mesh size ΔX, chord mesh size ratio c/ΔX and smearing to chord ratio ε/c) via a supervised Artificial Neural Network (ANN). Additionally, a Flow-Aware Sampling (FAS) approach is introduced, combining dynamic weighting of sampling points with a convolutional neural network and attention mechanism to enhance AoA prediction under unsteady inflows. Validation with sinusoidal and pseudo-turbulent AoA profile demonstrates improved accuracy and consistency compared to conventional methods. The FAS framework is embedded into OpenFOAM using libTorch, enabling real-time AoA prediction during simulations. The FAS method was also tested on a fully three-dimensional blade model to evaluate its robustness under realistic aerodynamic conditions. Steady-state RANS simulations in OpenFOAM on the fully resolved blade provided reference lift and drag coefficients (Cl, Cd) along the span, which were then used in the ALM simulations. Trained on the same baseline configuration as the 2D case, the ANN successfully captured spanwise variations in velocity and aerodynamic coefficients, providing accurate and consistent AoA estimates under both steady state sinusoidal and unsteady pseudo-turbulent inflow. Overall, the FAS approach outperforms state-of-the-art methods especially in unsteady conditions, showing strong correlation with problem parameters, adaptability and potential for further improvement.

Il crescente interesse per l’energia eolica ha aumentato la domanda di simulazioni CFD ad alta fedeltà, in cui l’Actuator Line Model (ALM) rappresenta uno degli approcci più diffusi per la modellazione delle pale eoliche. La stima accurata della velocità di riferimento e dell’angolo di attacco (AoA) rimane complessa, poiché i metodi di campionamento allo stato dell'arte non catturano completamente gli effetti di shedding, trailing vorticity e flusso non stazionario. Il presente lavoro propone un’evoluzione del metodo Line-Average introducendo il concetto di First Valid Radius (FVR), correlato ai principali parametri numerici di simulazione (taglia della mesh ΔX, rapporto corda/mesh c/ΔX e coefficiente di distribuzione delle forze ε/c) tramite una rete neurale artificiale (ANN) supervisionata. Sulla base di questo concetto, è stato sviluppato il metodo Flow-Aware Sampling (FAS), che combina il Line-Average con un peso dinamico dei punti di campionamento, identificando quelli più rappresentativi per la stima dell’AoA. Si ottiene una rete neurale convoluzionaria con meccanismo di attenzione che migliora ulteriormente la prestazioni in caso di flusso non stazionario. La validazione con profili di AoA sinusoidali e pseudo-turbolenti dimostra una maggiore accuratezza e coerenza rispetto ai metodi convenzionali. Il framework FAS è stato integrato in OpenFOAM tramite libTorch, consentendo la predizione in tempo reale dell’AoA durante le simulazioni. Il metodo FAS è stato inoltre testato su un modello di pala tridimensionale per valutarne la robustezza in condizioni aerodinamiche realistiche. I coefficienti di portanza e resistenza (Cl, Cd) lungo lo sviluppo della pala sono ottenuti da simulazioni RANS stazionarie eseguite in OpenFOAM sulla pala completamente risolta. Tali coefficienti sono utilizzati nelle simulazioni basate su ALM. Addestrata sulla stessa configurazione di base del caso bidimensionale, l’ANN ha catturato con successo le variazioni lungo la pala sia delle componenti di velocità sia dei coefficienti aerodinamici, fornendo stime accurate e coerenti dell’angolo di attacco sia in caso di flusso sinusoidale stazionario che pseudo turbolento e instazionario. Nel complesso, soprattutto in casi non stazionari l’approccio FAS supera i metodi esistenti, mostrando elevata correlazione con i parametri del problema, adattabilità e potenziale di miglioramento.