Reconstruction à haute fidélité des champs de pression éolienne sur des structures super-hautes connectées à l'aide de l'apprentissage automatique

La conception des structures super-hautes connectées (CSHS) est confrontée à des interférences aérodynamiques complexes, un problème aggravé par les données rares et discrètes des essais en soufflerie traditionnels (WTT) qui échouent souvent à capturer les pics de pression critiques. Pour pallier cette limitation, un cadre d'apprentissage automatique (ML) a été mis en place pour la reconstruction à haute fidélité et en champ complet des pressions du vent. En s'appuyant sur des données exhaustives de WTT provenant de CSHS à tours jumelles et triples, la performance prédictive des algorithmes XGBoost, KNN et RF a été évaluée systématiquement pour les pressions moyennes, fluctuantes et transitoires. XGBoost a démontré une robustesse et une généralisabilité supérieures. De manière cruciale, l'exactitude prédictive d'un modèle a été intrinsèquement liée au régime aérodynamique local. Alors que les performances de KNN se dégradaient dans les régions de sillage à forte turbulence, où son hypothèse fondamentale de proximité spatiale est violée, XGBoost a capturé avec succès la dynamique non linéaire du détachement de vortex. Cette étude établit donc une méthodologie de reconstruction fiable pilotée par XGBoost et fournit des insights physiques essentiels sur l'applicabilité et les limites des différents algorithmes ML en ingénierie éolienne.