CN113868971B - 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 - Google Patents

一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 Download PDF

Info

Publication number
CN113868971B
CN113868971B CN202110930450.0A CN202110930450A CN113868971B CN 113868971 B CN113868971 B CN 113868971B CN 202110930450 A CN202110930450 A CN 202110930450A CN 113868971 B CN113868971 B CN 113868971B
Authority
CN
China
Prior art keywords
wind field
data
cfd
wind
numerical
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110930450.0A
Other languages
English (en)
Other versions
CN113868971A (zh
Inventor
单雨龙
赵世军
赵文凯
孙科蕾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202110930450.0A priority Critical patent/CN113868971B/zh
Publication of CN113868971A publication Critical patent/CN113868971A/zh
Application granted granted Critical
Publication of CN113868971B publication Critical patent/CN113868971B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)

Abstract

基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法，基于数值仿真+数值订正的技术，在有限探测设备的条件下实现对机场全区域的风场监测；首先基于保障区域即机场全区域的地形地貌特征，利用CFD数值仿真技术构建机场全区域精细化风场数值模拟模型；其次统计分析保障区域的历史风场特征，得到不同季节、天气条件下的风场初始边界条件，驱动CFD仿真模型，模拟机场区域在不同季节、不同天气条件下的流场分布，生成CFD流场数据库；随后计算当前的有限探测设备给出的多源风场数据与各组CFD数据的匹配度，找到与当前风场最匹配的CFD数据；最后基于当前的多源风场数据对该CFD数据进行数值订正，进而得到当前的三维精细化风场。

Description

一种基于数值仿真模型及历史风场特征的机场区域三维精细 化风场重构方法
技术领域：
本发明涉及一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重 构技术，能够将多设备测风数据进行融合，得到近实时的机场区域三维精细化风场。
背景技术：
近年来随着我国经济的快速发展及航空技术的进步，民航业发展迅速，运输量和航 班量屡创新高。但随之而来的是起飞、着陆时发生的安全问题越来越多，而低空风切变是引起这些问题的主要原因之一。风切变是指空间两点距离之间的风的矢量差(大于一 定值)，是风空间变化率的一个特性。在航空气象学中，600米以下空气层中风向和风 速突然改变的现象称为低空风切变，低空风切变是目前国际航空和气象界已公认的对飞 行有重大影响的气象现象之一。据美国国家运输安全委员会统计，自1975年以来，由 于天气原因在美国发生的恶性空难事故中，有80％是低空风切变造成的。低空风切变由 于发生突然、时间短、尺度小、强度大，当质量和惯性都较大的大中型飞机遇上时，往 往由于飞行高度太低，缺乏足够的空间进行机动而发生事故。因此，只有加强对低空风 切变的监测预警，才能避免低空风切变对航空的危害。
风场数据获取是实现低空风切变监测预警的基础。目前已有多种测风设备用于机场 飞行安全保障中的风场监测，如基于风杆系统的风向风速仪、多普勒天气雷达、风廓线雷达及激光测风雷达等。但不同测风设备受限于自己的探测原理，均有自己的适用条件 及不足，如，基于风杆的风向风速仪是直接测风设备，探测准确度最高，但其探测高度 及位置严重受限于风杆高度及位置，只能探测近地层单点水平风，要探测较大区域风场， 需大幅增加风杆站点数量，经济性较差；多普勒天气雷达是基于微波探测云雨粒子的速 度来反演大气风场，故只能对有云雨的区域进行探测，适用于湿性低空风切变监测，而 干性风切变监测能力严重不足，且微波盲区较大，天线波束宽度较大，距离分辨率较差； 风廓线雷达是基于微波探测大气湍流来反演风场，适用于干性风场探测，但单部风廓线 雷达只能探测其顶空区域垂直风场信息，若欲扩大探测范围，则需进行多部风廓线雷达 联网探测，且其探测结果易受地物杂波干扰，近地层风场可信度低，有探测盲区；相干 激光测风雷达的示踪物为气溶胶粒子，适用于干性风场探测，其工作于红外波段，抗干 扰能力强，盲区小，资料空间分辨率高，相对传统测风手段具有独特优势，但由于激光 在大气中传输时会受到空气分子、气溶胶粒子、云雨粒子而衰减，因此其探测性能会受 到天气条件的影响，不适合湿性风场的探测。
因此，由于各种测风设备探测原理不同，不同天气条件下的探测准确度、时空分辨率、探测范围、探测能力等指标差异较大，无法通过某单一测风设备实现机场全域多种 气象条件下的风场监测。本发明研究小组致力于实现机场全域多种气象条件下的风场监 测，在获取各设备测风数据的基础上，将其与仿真数据进行融合，从而达到有效监测机 场区域各气象条件下风场的目的。可以实现低空风切变监测预警。
发明内容：
本发明目的是，提出一种基于数值仿真模型及历史风场特征的机场区域三维精细化 风场重构方法，基于现有的各测风设备，在实现有限区域风场的监测的基础上，以及在探测设备数量有限的条件下，直接对各测风数据进行融合，从而实现对需要保障的区域(典型的扩大的机场区域)的风场进行全域监测。
本发明的技术方案是，基于数值仿真模型及历史风场特征的机场区域三维精细化风 场重构方法，基于数值仿真+数值订正的技术，在有限探测设备的条件下实现对机场全区域的风场监测；首先基于保障区域即机场全区域的地形地貌特征，利用CFD数值仿真 技术构建机场全区域精细化风场数值模拟模型；其次统计分析保障区域的历史风场特征， 得到不同季节、天气条件下的风场初始边界条件，驱动CFD仿真模型，模拟机场区域在 不同季节、不同天气条件下的流场分布，生成CFD流场数据库；(数据库的时间范围没 有确切的标准，因为某些机场区域的风场数据周期较短。一般情况下，需要至少10年 左右的数据，使统计的风场特征具有客观意义。)随后，计算当前的有限探测设备给出 的多源风场数据与各组CFD数据的匹配度，找到与当前风场最匹配的CFD数据；最后基 于当前的多源风场数据对该CFD数据进行数值订正，进而得到当前的三维精细化风场。
基于CFD仿真模型可以模拟得到不同季节、不同气象条件下的具有典型特征的机场 区域全域三维精细化风场，但该风场是基于历史风场统计特征及仿真模型的数值模拟，与当前实测风场的差异性较大；因此，需利用各观测设备实测风场数据对仿真数据进行 数值订正，使其更接近真实值；
数值修订的方法是牛顿松弛逼近(Nudging)数据同化方法，是一种四维数据同化方法，利用牛顿松弛数据同化技术将观测资料融合到数值模式中的，用于对CFD仿真数 据的数值订正；Nudging数据同化方法的方法是，在控制方程中添加额外的强迫项，以 驱动数值模式在迭代求解的过程中逐渐逼近观测值，在满足质量守恒、动量守恒和能量 守恒的情况下，使各变量之间达到动力平衡；因此，为将Nudging数据同化方法应用于 CFD模式，实现CFD模式与观测数据的同化，需在CFD控制方程中添加额外的强迫项；
根据Nudging数据同化方法，利用UDF自定义函数编程修改CFD模式的控制方程，以添加额外的强迫项；采用Nudging数据同化方法的CFD模式的u动量方程即控制方程 表示为：其中u指速度，x指方向，ρ指密度，p指压强，可见实施例；
Figure BDA0003210450160000031
其中，f为根据Nudging数据同化方法增加的额外强迫项：
Figure BDA0003210450160000032
其中，uobs为插值到CFD模式网格点上的观测速度；u为上一个时间步长的模拟速度；τu为牛顿张弛系数；W(x，y，z)为权重函数。不仅针对动量方程，其他的控制方程也 可以利用Nudging数据同化方法来修改。
权重函数W(x，y，z)可表示为：
W＝wxywz (3)
其中，ωxy、ωz分别为水平权重函数项和垂直权重函数项，可表示为：
Figure BDA0003210450160000033
Figure BDA0003210450160000034
其中，Rxy为观测点的水平影响半径；｜dxy｜为观测点与CFD模式网格点之间的水平距离；Rz为观测点的垂直影响半径；｜dz｜为观测点与CFD模式网格点之间的垂直距离。
进一步的，基于各探测设备适用特性及距离权重法对仿真数据进行数值订正，步骤 为：(1)对拥有可信实测风场数据的区域，以实测数据为主；(2)无实测风场数据的区域，基于CFD在当时气象条件下的仿真数据进行补充；(3)当同一位置有两种以上测风 结果时，进行加权计算，各测风设备的权重由当时天气条件、设备各自的测风原理及观 测位置等确定；(4)拥有实测风场数据的区域，对周边一定范围内的风场数据拥有不同 权重的影响，具体影响权重基于距离权重法进行确定。
本发明通过基于数值仿真模型及历史风场统计特征的机场区域三维精细化风场重 构技术，基于CFD技术的机场区域风场仿真技术；基于多源实测风场数据的CFD仿真数据数值订正技术。
有益效果：本发明立足于解决多种气象条件下的机场区域全域风场监测技术难题， 设计了一种基于数值仿真模型及历史风场统计特征的的机场区域全域三维精细化风场 重构技术，并给出了数值订正方案，能够对多种测风数据进行融合，实现机场区域全域风场监测，可用于风切变识别，服务于航空飞行安全保障，具有较强的推广应用需求和 前景。实现机场全域多种气象条件下的风场监测，在获取各设备测风数据的基础上，将 其与仿真数据进行融合，从而达到有效监测机场区域各气象条件下风场的目的。可以实 现低空风切变监测预警。
附图说明：
图1基于CFD技术的风场精细化仿真模型构建的流程；
图2a1-图2b2为数据同化前后的CFD模式风廓线，图2a1-图2a2为Mast-01站点； 图2b1-图2b2为Mast-02站点；
图3a某观测点附近权重函数的截面分布,图3a水平截面；图3b垂直截面。
具体实施方式：
(1)基于CFD技术的风场精细化仿真模型构建
计算流体力学(CFD)是利用计算机强大的数值计算能力和图像显示功能，对包含热传导、流体流动等物理现象进行计算分析的学科。基于CFD技术进行复杂地形区域微 尺度风场模拟的技术流程见附图1：首先选基于保障区域的历史风场资料，包括NCEP 资料(美国国家环境预报中心(NCEP)和国家大气研究中心(NCAR)联合执行的全球大气40 年资料再分析计划通过CDC(Climate Dianogistic Center)发出的大气资料，包括：综 合资料、降水、SST、地面覆盖资料、风场/OLR/指数资料Noaa资料库)和ECMWF资料 (ECMWF气象资料包含温、压、湿、风、流场、数值预报产品等,一般主要看他的数值预 报,如流场、温度、气压场、降水等,最新的ECMWF重新分析是ERA5，由C3S生产。ERA5 提供了从1979年以来每小时的大气，陆地表面和海浪的快照。它包括不确定性估计， 该不确定性强调了重新分析产品所依赖的观测系统的资料)，分析得到不同季节、不同 气象条件下的风场特征，并将其作为CFD模式的边界条件；随后，在获取精细化地形高 程数据的基础上，建立CFD研究区域的高质量地形模型，并划分得到计算域体网格；最 后，将边界风场赋值到CFD模式的体网格边界上，利用CFD迭代计算得到收敛的诊断解 析解，即微尺度的区域风场。
(2)基于多源实测风场数据的CFD仿真数据数值订正
基于CFD仿真模型可以模拟得到不同季节、不同气象条件下的具有典型特征的机场 区域全域三维精细化风场，但该风场是基于历史风场统计特征及仿真模型的数值模拟，与当前实测风场的差异性较大。因此，需利用各观测设备实测风场数据对仿真数据进行 数值订正，使其更接近真实值。
牛顿松弛逼近(Nudging)数据同化方法是一种四维数据同化方法，它是利用牛顿松弛数据同化技术将观测资料融合到数值模式中的，可用于对CFD仿真数据的数值订正。Nudging数据同化方法的核心思路是在控制方程中添加额外的强迫项，以驱动数值模式 在迭代求解的过程中逐渐逼近观测值，在满足质量守恒、动量守恒和能量守恒的情况下， 使各变量之间达到动力平衡。因此，为将Nudging数据同化方法应用于CFD模式，实现 CFD模式与观测数据的同化，需在CFD控制方程中添加额外的强迫项。
本发明根据Nudging数据同化方法，利用UDF自定义函数编程修改CFD模式的控制方程，以添加额外的强迫项。例如，采用Nudging数据同化方法的CFD模式的u动量方 程可以表示为：
Figure BDA0003210450160000051
其中，f为根据Nudging数据同化方法增加的额外强迫项：
Figure BDA0003210450160000052
其中，uobs为插值到CFD模式网格点上的观测速度；u为上一个时间步长的模拟速度；τu为牛顿张弛系数；W(x，y，z)为权重函数。不仅针对动量方程，其他的控制方程也 可以利用Nudging数据同化方法来修改。
权重函数W(x，y，z)可表示为：
W＝wxywz (3)
其中，ωxy、ωz分别为水平权重函数项和垂直权重函数项，可表示为：
Figure BDA0003210450160000061
Figure BDA0003210450160000062
其中，Rxy为观测点的水平影响半径；｜dxy｜为观测点与CFD模式网格点之间的水平距离；Rz为观测点的垂直影响半径；|dz｜为观测点与CFD模式网格点之间的垂直距离。 此外，还可基于各探测设备适用特性及距离权重法对仿真数据进行数值订正；数值订正 方法很多，可以基于距离权重法进行数值订正，即规定某实测数据对周边某距离范围内 的模拟数据有影响，两者间距离越大，影响权重越小；
2.修订后不进行数据库更改，修订后的数据只是与当前风场数据更为一致，而数据库 是基于历史风场特征进行建立；
3.历史风场特征，作为CFD模型的边界条件进行输入，以此嵌入至模型中：
步骤为：(1)对拥有可信实测风场数据的区域，以实测数据为主；(2)无实测风场数据的区域，基于CFD在当时气象条件下的仿真数据进行补充；(3)当同一位置有两种 以上测风结果时，进行加权计算，各测风设备的权重由当时天气条件、设备各自的测风 原理及观测位置等确定；(4)拥有实测风场数据的区域，对周边一定范围内的风场数据 拥有不同权重的影响，具体影响权重基于距离权重法进行确定。
实施例中，需要给出图1中的MSH GAMBIT建模的具体描述；
GAMBIT是CFD模式的前处理软件，可以提供高质量的几何建模和网格生成功能。他的建模原理是基于单个命令的输入：首先按照点-线-面-体的顺序依次生成几何元素， 然后经过位移、旋转、划分等操作建立最终的体网格模型。在风工程领域，风环境模型 较为简单，GAMBIT可以直接绘制简单的模型，但是在复杂地形的风场模拟中，地形模型 较为复杂，单命令输入的工作量巨大，因此难以实现。本发明利用MATLAB程序编写日 志文件(*.jou)，生成了Journal文件，然后通过GAMBIT的后台运行功能，自动生成 地形模型，并划分得到了计算域网格。
进一步的，在本发明中本申请人同时申请的所述生成三维精细化风场还包括以下步 骤，
步骤1-1：构建机场区域精细化风场数值模拟模型；
步骤1-2：基于CFD模型进行仿真风场数据库的构建；
步骤1-3：计算当前实测多源风场数据与各组CFD数据的匹配度，找到与实测多源风场数据匹配度最高的CFD仿真数据；
步骤1-4：基于当前实测多源风场数据对CFD仿真数据进行数值订正；
步骤1-5：得到数据重构后的当前三维精细化风场。
进一步的，在本发明中：所述风场数据融合还包括以下步骤，
步骤2-1：输出WRF数据并进行处理；
步骤2-2：生成CFD精细化网络；
步骤2-3：将WRF和CFD进行数据交换；
步骤2-4：最终输出WRF数据并进行处理。
进一步的，在本发明中：所述数值订正还包括以下步骤，
步骤3-1：对拥有可信实测风场数据的区域，以实测数据为主；
步骤3-2：无实测风场数据的区域，基于CFD在当时气象条件下的仿真数据进行补充；
步骤3-3：当同一位置有两种以上测风结果时，进行加权计算，各测风设备的权重由当时天气条件、设备各自的测风原理及观测位置等确定；
步骤3-4：拥有实测风场数据的区域，对周边一定范围内的风场数据拥有不同权重的影响，具体影响范围及影响权重需结合敏感性实验进行确定。
进一步的，在本发明中：所述基于卷积神经网络对风切变进行智能识别还包括以下 步骤，
步骤4-1：构建风切变识别卷积神经网络结构并建立具有风切变特征的风场平面图 像集；
步骤4-2：提取图像特征，训练风切变识别卷积神经网络节点参数；
步骤4-3：构建区域精细化三维风场数据的平面扫描方案；
步骤4-4：输出风切变所处位置及切变强度；
步骤4-5：在三维风场数据图中标注切变位置及切变强度。
NCEP ECMWF其它资料指其他可用的风场资料，如机场观测资料等，具体情况 具体分析，因为某些机场可能不具备某一设备的历史数据。
CFD模式的数据同化试验：利用Nudging数据同化技术，将双基地激光测风雷达的模拟观测资料融合进CFD模式中，开展数据同化试验，以验证数据同化技术的可行性。
在CFD模式的数据同化试验中，以双基地激光测风雷达的反演风场作为观测资料，然后利用Nudging数据同化方法将其融合进CFD模式中，在满足流体力学的质量守恒、 动量守恒和能量守恒的基础上，对比数据同化前后CFD模式风场的变化。
首先，将观测资料插值到CFD模式中，即，将公式(2)中的观测速度uobs插值到CFD网格点上，插值方法采用Cressman函数插值法。
其次，计算公式(2)中的权重函数W(x,y,z)，如图1所示，为某观测点附近权重 函数的水平和垂直截面分布。其中，观测点的水平和垂直影响半径分别设为200m和60m。 从图中可知，权重函数关于观测点对称分布，观测点位置的权重函数为1，随着与观测 点之间距离的增加，权重函数逐渐减小，观测点影响范围以外的权重函数为0。
最后，在控制方程的约束下，Nudging数据同化驱动CFD模式在迭代求解的过程中逐渐逼近观测值，在满足质量守恒、动量守恒和能量守恒的情况下，使各变量之间达到 动力平衡。CFD模式的计算结果收敛，即表明完成了数据同化。收敛的判定标准有三点： 一是迭代过程中，各物理量的残差值都达到了收敛标准(残差值低于10e-3)；二是计算 结果不再随迭代过程的进行而发生变化；三是整个系统的动量、质量和能量都守恒。
图2a1-图2b2为Nudging数据同化对两个观测站点附近CFD模式风场的影响。其中，蓝色实线表示未经数据同化的CFD模式风廓线，蓝色虚线表示经过数据同化后的CFD模 式风廓线，黑色实线分别表示“观测位置”Mast-01、Mast-02站点的风速观测值。数据 同化试验的目标是在Nudging数据同化的作用下，驱动CFD模式的解向观测值靠拢。从 图中可知，在数据同化的作用下，Mast-01站点的CFD模式解接近于观测值，两者之间 的偏差较小；同时，在流体力学控制方程以及整个系统守恒的约束下，Mast-02站点的 CFD模式解也向观测值靠拢，也就是说，将观测资料同化融合进CFD模式提高了复杂地 形区域的微尺度风场模拟精度。

Claims (2)

1.基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法，其特征是，基于数值仿真+数值订正的技术，在有限探测设备的条件下实现对机场全区域的风场监测；首先基于保障区域即机场全区域的地形地貌特征，利用CFD数值仿真技术构建机场全区域精细化风场数值模拟模型；其次统计分析保障区域的历史风场特征，得到不同季节、天气条件下的风场初始边界条件，驱动CFD仿真模型，模拟机场区域在不同季节、不同天气条件下的流场分布，生成CFD流场数据库；随后，计算当前的有限探测设备给出的多源风场数据与各组CFD数据的匹配度，找到与当前风场最匹配的CFD数据；最后基于当前的多源风场数据对该CFD数据进行数值订正，进而得到当前的三维精细化风场；
基于CFD仿真模型可以模拟得到不同季节、不同气象条件下的具有典型特征的机场区域全域三维精细化风场，但该风场是基于历史风场统计特征及仿真模型的数值模拟，与当前实测风场的差异性较大；因此，需利用各观测设备实测风场数据对仿真数据进行数值订正，使其更接近真实值；
数值修订的方法是牛顿松弛逼近(Nudging)数据同化方法，是一种四维数据同化方法，利用牛顿松弛数据同化技术将观测资料融合到数值模式中的，用于对CFD仿真数据的数值订正；Nudging数据同化方法的方法是，在控制方程中添加额外的强迫项，以驱动数值模式在迭代求解的过程中逐渐逼近观测值，在满足质量守恒、动量守恒和能量守恒的情况下，使各变量之间达到动力平衡；因此，为将Nudging数据同化方法应用于CFD模式，实现CFD模式与观测数据的同化，需在CFD控制方程中添加额外的强迫项；
根据Nudging数据同化方法，利用UDF自定义函数编程修改CFD模式的控制方程，以添加额外的强迫项；采用Nudging数据同化方法的CFD模式的u动量方程即控制方程表示为：其中u指速度，x指方向，ρ指密度，p指压强，可见实施例；
Figure FDA0003210450150000011
其中，f为根据Nudging数据同化方法增加的额外强迫项：
Figure FDA0003210450150000012
其中，uobs为插值到CFD模式网格点上的观测速度；u为上一个时间步长的模拟速度；τu为牛顿张弛系数；W(x,y,z)为权重函数， 不仅针对动量方程，其他的控制方程也可以利用Nudging数据同化方法来修改，
权重函数W(x,y,z)可表示为：
W＝wxywz (3)
其中，ωxy、ωz分别为水平权重函数项和垂直权重函数项，可表示为：
Figure FDA0003210450150000021
Figure FDA0003210450150000022
其中，Rxy为观测点的水平影响半径；|dxy|为观测点与CFD模式网格点之间的水平距离；Rz为观测点的垂直影响半径；|dz|为观测点与CFD模式网格点之间的垂直距离。
2.根据权利要求1所述的基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法，其特征是，基于各探测设备适用特性及距离权重法对仿真数据进行数值订正，步骤为：(1)对拥有可信实测风场数据的区域，以实测数据为主；(2)无实测风场数据的区域，基于CFD在当时气象条件下的仿真数据进行补充；(3)当同一位置有两种以上测风结果时，进行加权计算，各测风设备的权重由当时天气条件、设备各自的测风原理及观测位置等确定；(4)拥有实测风场数据的区域，对周边一定范围内的风场数据拥有不同权重的影响，具体影响权重基于距离权重法进行确定。
CN202110930450.0A 2021-08-13 2021-08-13 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法 Active CN113868971B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110930450.0A CN113868971B (zh) 2021-08-13 2021-08-13 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110930450.0A CN113868971B (zh) 2021-08-13 2021-08-13 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法

Publications (2)

Publication Number Publication Date
CN113868971A CN113868971A (zh) 2021-12-31
CN113868971B true CN113868971B (zh) 2022-09-13

Family

ID=78990553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110930450.0A Active CN113868971B (zh) 2021-08-13 2021-08-13 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法

Country Status (1)

Country Link
CN (1) CN113868971B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115755220B (zh) * 2022-10-21 2023-07-25 中国民用航空飞行学院 基于数值模拟与深度学习结合的机场突风预报和订正方法
CN115408962B (zh) * 2022-11-02 2023-03-31 南京信息工程大学 基于cfd模拟和测风激光雷达的风场重建方法及系统
CN116341420B (zh) * 2023-05-22 2023-08-15 华能新疆青河风力发电有限公司 一种用于机组的地貌与风场的地-风耦合方法及系统
CN116595913B (zh) * 2023-07-17 2023-09-22 自然资源部第一海洋研究所 一种提高海洋模型精度的台风风场模拟仿真系统及方法
CN117421825B (zh) * 2023-10-09 2024-03-29 成都流体动力创新中心 一种近地层风环境影响下的大型飞机cfd模拟方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597430B (zh) * 2014-12-11 2017-02-22 中国民航大学 机载气象雷达低空风切变三维回波仿真方法
CN108563867A (zh) * 2018-04-13 2018-09-21 华中科技大学 一种基于OpenFOAM实现WRF和CFD耦合模拟风场的方法
CN110516279B (zh) * 2019-06-19 2023-01-10 中国地质大学深圳研究院 基于经验订正的风浪流耦合海洋环境数值预报方法

Also Published As

Publication number Publication date
CN113868971A (zh) 2021-12-31

Similar Documents

Publication Publication Date Title
CN113868971B (zh) 一种基于数值仿真模型及历史风场特征的机场区域三维精细化风场重构方法
CN113673181A (zh) 一种基于多源风场数据的机场区域风切变智能识别方法
CN104597430B (zh) 机载气象雷达低空风切变三维回波仿真方法
Wildmann et al. Measuring the local wind field at an escarpment using small remotely-piloted aircraft
Li et al. Numerical simulation study of the effect of buildings and complex terrain on the low-level winds at an airport in typhoon situation
CN115408962B (zh) 基于cfd模拟和测风激光雷达的风场重建方法及系统
Wolfson et al. Automated microburst wind-shear prediction
CN113868970B (zh) 一种基于数值仿真模型及中尺度气象模式的机场区域多源风场融合方法
Lee et al. LIDAR‐based F‐factor for wind shear alerting: different smoothing algorithms and application to departing flights
Proctor et al. Evaluation of fast-time wake vortex prediction models
Li et al. A Study on Measuring the Wind Field in the Air Using a multi-rotor UAV Mounted with an Anemometer
CN113687447A (zh) 基于多种测风设备的局地区域风场监测方法
CN103235890A (zh) 卫星短时临近降水预报系统及降水预报方法
Holzäpfel et al. Aircraft wake vortex scenarios simulation package–WakeScene
Chen et al. Identification and analysis of terrain-induced low-level windshear at Hong Kong International Airport based on WRF–LES combining method
Chan et al. Wind data collected by a fixed-wing aircraft in the vicinity of a tropical cyclone over the south China coastal waters
Zhao et al. Numerical simulation for wind shear detection with a glide path scanning algorithm based on wind LiDAR
CN116401932B (zh) 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法
O'Connor et al. Low level turbulence detection for airports
Shen et al. Aircraft wake recognition and strength classification based on deep learning
CN114779278A (zh) 一种基于激光雷达的cnn-rnn机场跑道风切变预警方法
Achermann et al. WindSeer: Real-time volumetric wind prediction over complex terrain aboard a small UAV
Ryan et al. Review of low-level wind shear: Detection and prediction
Al-Momar et al. Examining in-cloud convective turbulence in relation to total lightning and the 3D wind field of severe thunderstorms
Proctor et al. High ice water concentrations in the 19 August 2015 coastal mesoconvective system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant