Accurate forecasts of wind speed and power production are of great value for wind power producers. In Southwest Iceland, wind power installations are being planned by various entities. This study aims to create optimal wind speed and wind power production forecasts for wind power production in Southwest Iceland by applying statistical post-processing methods to a deterministic HARMONIE-AROME forecast at a single point in space. Three such methods were implemented for a 22 month-long set of forecast-observation samples in 1h resolution: Temporal Smoothing (TS), Observational Distributions on Discrete Intervals (ODDI - a relatively simple classification algorithm) and Quantile Regression Forest (QRF - a relatively complicated Machine Learning Algorithm). Wind power forecasts were derived directly from forecasts of wind speed using an idealized power curve. Four different metrics were given equal weight in the evaluation of the methods: Root Mean Square Error (RMSE), Miss Rate of the 95-percent forecast interval (MR95), Mean Median Forecast Interval Width (MMFIW - a metric to measure the forecast sharpness) and Continuous Ranked Probability Score (CRPS). Of the three methods, TS performed inadequately while ODDI and QRF performed significantly better, and similarly to each other. Both ODDI and QRF predict wind speed and power production slightly more accurately than deterministic AROME in terms of their Root Mean Square Error. In addition to an overall evaluation of all three methods, ODDI and QRF were evaluated conditionally. The results indicate that QRF performs significantly better  than ODDI at forecasting wind speed and wind power at wind speeds above 13 m/s. Else, no strong discrepancies were found between their conditional performance. The results of this study are limited by a relatively scarce data set and correspondingly short time series. The results indicate that applying statistical post-processing methods of varying complexity to deterministic wind speed forecasts is a viable approach to gaining a probabilistic insight into the wind power potential at a given location.

The effect of building geometry on the wind environment of cities is such that it can cause problems like wind danger, discomfort and poor ventilation of airborne pollutants. Computational fluid dynamics (CFD) can play a role in assessing changes in wind environment caused by building projects before realisation at little cost. However, the current state-of-the-art methods, RANS and LES, force a steep trade-off between accuracy and computational cost, and neither method is truly predictive. Time-resolved adaptive direct finite element simulation (DFS) is a method for CFD that is predictive and automatically optimises the mesh for a goal quantity, making it both efficient and accurate. In this thesis, DFS was implemented in FEniCS and used on basic validation cases to provide a proof of concept for the use of this method in the building aerodynamics, on resources freely available to anyone. The results show that the method is accurate to within 10% of the validation data with respect to the goal quantity. Visually, the expected flow features are clearly identifiable. DFS was successfully applied to a relatively complicated building geometry, with a total computation time of about 120 core-hours. We conclude that DFS has significant potential as a method for evaluating urban wind environments. Furthermore, because of its ease of use and lack of parameters, DFS can play an important role in helping architects, designers and students understand the effect of urban geometries on the wind environment. This report provides a basis for further research on DFS for building aerodynamics, as validation on more diverse urban geometries is still necessary. / Effekten av byggnaders form och geometri är så viktig att den kan ge problem för ventilation av t.ex. föroreningar, för energieffektivitet, och för vindfaror med t.ex. hög vindhastihet som kan vara farligt eller skapa obehag. Beräkningsströmningsdynamik (CFD) kan ha en roll i bedömningen av byggnadsprojekt i ett tidigt skede till liten kostnad. Dock är de etablerade och ledande metodikerna, RANS och LES, inte prediktiva och tvingar fram en kompromiss mellan beräkningskosnad och noggrannhet. Vår metodik “Time-resolved adaptive direct finite element simulation” (DFS) är en metod för CFD som är prediktiv och automatiskt optimerar beräkningsnätet (och därmed beräkningskostnaden) för en given målkvantitet, som ger både effektivitet och noggrannhet. I denna avhandling implementerades DFS i FEniCS och användes i grundläggande valideringsfall för att ge ett proof of conceptför användning av denna metod i byggnadsaerodynamik, på resurser som är fritt tillgängliga för alla. Resultaten visar att metoden är korrekt inom 10% av valideringsdata med avseende på målkvantiteten. Visuellt är de förväntade flödesfunktionerna tydligt identifierbara. DFS applicerades framgångsrikt på en relativt komplicerad byggnadsgeometri med en total beräkningstid på cirka 120 kärntimmar, vilket är en försumbar kostnad. Vi drar slutsatsen att DFS har en betydande potential som metod för utvärdering av stadsvindmiljöer. Dessutom, på grund av dess användarvänlighet och frihet från parametrar, kan DFS spela en viktig roll för att hjälpa arkitekter, designers och studenter att förstå effekterna av stadsgeometrier på vindmiljön. Denna rapport ger en grund för vidare forskning om DFS för aerodynamik, eftersom validering av mer olika stadsgeometrier fortfarande är nödvändig.

The near-wall modelling of turbulent flows has been an active field of research due to the computational cost associated with the direct numerical simulations of such flow, which are characterized by a wide range of length and time scales. With the recent advancements in technological capabilities, the availability of high-fidelity data has enabled the construction of data-driven approaches to model turbulence. In this thesis, deep-learning models are used to model the dynamically important near-wall region in a turbulent boundary layer. As a first step, a direct numerical simulation (DNS) of an incompressible zero-pressure-gradient (ZPG) turbulent boundary layer (TBL) over a flat plate is performed using a pseudo-spectral code, SIMSON (Chevalier et al., 2007). The Reynolds number based on free-stream velocity and inlet displacement thickness is 450 and the passive scalars are simulated at Prandtl numbers of 1, 2, 4 and 6. Turbulence statistics for the flow and thermal fields are computed and compared against the numerical simulations at a similar Reynolds number. To generate the training, validation and test datasets for the neural network, the turbulent velocity fluctuation fields are sampled at various wall-normal locations, y+ = 15, 30, 50, 100 at a constant sampling time of ∆t+ = 0.99, in addition to the streamwise and spanwise wall-shear-stress fields, pressure field and heat flux fields at the wall. A fully convolutional network (FCN) based model is proposed for the prediction of two-dimensional velocity-fluctuation fields farther from the wall using the sampled fields at the wall. The quality of predictions from the network is assessed based on (i) the mean-squared error (MSE) between the predictions and the DNS fields, (ii) the relative percentage error in prediction of root-mean-squared (RMS) of fluctuations or fluctuation intensity and (iii) the correlation coefficient between the predicted and the DNS fields. Different types of predictions are performed, where the three components of the velocity-fluctuation fields are predicted simultaneously by the FCN, and these predictions are classified based on the input fields to the FCN. Three different types of predictions are presented in this study, and an auxiliary-loss-function approach is also introduced to improve the performance of the FCN. The results from the proposed data-driven model for ZPG TBL shows a good capability in the prediction of both the instantaneous fluctuation fields and the turbulent statistics like fluctuation intensity. In particular, the prediction of velocity-fluctuation fields at y+ = 30 using only the heat-flux field at Pr = 6 exhibits less than 12% error in the prediction of streamwise fluctuation intensity. The results obtained in this study indicate the potential of FCN in serving as a computationally effective tool to predict turbulent-velocity-fluctuation fields close to the wall using the inputs from the wall and finds useful application in flow-control problems. / Nära väggmodelleringen av turbulenta flöden har varit ett aktivt forskningsfält på grund av beräkningskostnaderna i samband med de direkta numeriska simuleringarna av sådant flöde, som kännetecknas av ett brett spektrum av längd- och tidsskalor. Med de senaste tekniska framstegen har tillgången på data i hög kvalitet möjliggjort konstruktion av datadrivna metoder för modellturbulens. I denna avhandling används djupinlärningsmodeller för att modellera det dynamiskt viktiga området nära väggen i ett turbulent gränsskikt. Som ett första steg utförs en direkt numerisk simulering (DNS) av ett inkomprimerbart nolltryck-gradient (ZPG) turbulent gränsskikt (TBL) över en platt platta med hjälp av en pseudo-spektral kod, SIMSON (Chevalier et al., 2007). Reynolds-talet baserat på friströmshastighet och inloppsförskjutningstjocklek är 450 och de passiva skalarna simuleras vid Prandtlnumbers på 1, 2, 4 och 6. Turbulensstatistik för flödet och termiska fält beräknas och jämförs med de numeriska simuleringarna vid ett liknande Reynolds -nummer. För att generera utbildnings-, validerings- och testdatauppsättningar för det neuralanätverket samplas turbulenta hastighetsfluktuationsfält på olika väggnormala platser, y+ = 15, 30, 50, 100 vid en konstant provtagningstid på ∆t+ ≈ 0, 99, dessutom till strömmande och spanvisa väggskjuvspänningsfält, tryckfält och värmeflödesfält vid väggen. En helt konvolutionsnät (FCN) baserad modell föreslås för förutsägelse av tvådimensionella hastighetsfluktuationsfält längre från väggen med hjälp av de samplade fälten vid väggen. Kvaliteten påförutsägelser från nätverket bedöms baserat på (i) medelkvadratfelet (MSE) mellan förutsägelserna och DNS-fälten, (ii) det relativa procentuella felet vid förutsägelse av rot-medelkvadrat (RMS) för fluktuationer eller fluktuationsintensitet och (iii) korrelationskoefficienten mellan de förutsagda och DNS fälten. Olika typer av förutsägelser utförs, där de tre komponenterna i hastighetsfluktuationsfälten förutspås samtidigt av FCN, och dessa förutsägelser klassificeras baserat på inmatningsfälten till FCN. Tre olika typer av förutsägelser presenteras i denna studie, och en metod för hjälp-förlustfunktion introduceras också för att förbättra prestanda för FCN. Resultaten från den föreslagna datadrivna modellen för ZPG TBL visar en god förmåga i förutsägelsen av både momentana fluktuationsfält och den turbulenta statistiken som fluktuationsintensitet. I synnerhet uppvisar förutsägelsen av hastighetsfluktuationsfält at y+ = 30 med endast värmeflödesfältet vid Pr = 6 mindre än 12% fel i förutsägelsen av strömningsvis fluktuationsintensitet. Resultaten som erhållits i denna studie indikerar FCN: s potential att fungera som ett beräkningsmässigt effektivt verktyg för att förutsäga turbulenta hastighetsfluktuationsfält nära väggen med hjälp av ingångarna från väggen och finner användbar tillämpning i flödeskontroll -problem.

Transition delay in boundary-layer flows is achieved via reactive control of flow instabilities, i.e. Tollmien-Schlichting (TS) waves. Adaptive and model-based control techniques are investigated by means of direct numerical simulations (DNS) and experiments. The action of actuators localised in the wall region is prescribed based on localised measurement of the disturbance field; in particular, plasma actuators and surface hot-wire sensors are considered. Performances and limitations of this control approach are evaluated both for two-dimensional (2D) and three-dimensional (3D) disturbance scenarios. The focus is on the robustness properties of the investigated control techniques; it is highlighted that static model-based control, such as the linear-quadratic- Gaussian (LQG) regulator, is very sensitive to model-inaccuracies. The reason for this behaviour is found in the feed-forward nature of the adopted sensor/actuator scheme; hence, a second, downstream sensor is introduced and actively used to recover robustness via an adaptive filtered-x least-mean-squares (fxLMS) algorithm. Furthermore, the model of the flow required by the control algorithm is reduced to a time delay. This technique, called delayed-x least-mean-squares (dxLMS) algorithm, allows taking a step towards a self-tuning controller; by introducing a third sensor it is possible to compute on-line the suitable time-delay model with no previous knowledge of the controlled system. This self-tuning approach is successfully tested by in-flight experiments on a motor-glider. Lastly, the transition delay capabilities of the investigated control con- figuration are confirmed in a complex disturbance environment. The flow is perturbed with random localised disturbances inside the boundary layer and the laminar-to-turbulence transition is delayed via a multi-input-multi-output (MIMO) version of the fxLMS algorithm. A positive theoretical net-energy- saving is observed for disturbance amplitudes up to 2% of the free-stream velocity at the actuation location, reaching values around 1000 times the input power for the lower disturbance amplitudes that have been investigated. / I den här avhandlingen har reglertekniska metoder tillämpats för att försena omslaget från ett laminärt till ett turbulent gränsskikt genom att dämpa tillväxten av små instabiliteter, så kallade Tollmien-Schlichting vågor. Adaptiva och modellbaserade metoder för reglering av strömning har undersökts med hjälp av numeriska beräkningar av Navier-Stokes ekvationer, vindtunnelexperiment och även genom direkt tillämpning på flygplan. Plasmaaktuatorer och varmtrådsgivare vidhäftade på ytan av plattan eller vingen har använts i experimenten och modellerats i beräkningarna. Prestanda och begränsningar av den valda kontrollstrategin har utvärderats för både tvådimensionella och tredimensionella gränsskiktsinstabiliteter. Fokus har varit på metodernas robusthet, där vi visar att statiska metoder som linjär-kvadratiska regulatorer (LQG) är mycket känsliga för avvikelser från den nominella modellen. Detta beror främst på att regulatorer agerar i förkompenseringsläge (”feed-foward”) på grund av strömningens karaktär och placeringen av givare och aktuatorer. För att minska känsligheten mot avvikelser och därmed öka robustheten har en givare införts nedströms och en adaptiv fXLMS algoritm (filtered-x least-mean-squares) har tillämpats.                  Vidare har modelleringen av fXLMS-algoritmen förenklats genom att ersätta överföringsfunktionen mellan aktuatorer och givare med en lämplig tidsfördröjning.  Denna  metod som kallas för dxLMS (delayed-x least-mean-squares) kräver att ytterligare en givare införs långt uppströms för att kunna uppskatta hastigheten på de propagerande instabilitetsvågorna. Denna teknik har tillämpats framgångsrikt för reglering av gränsskiktet på vingen av ett segelflygplan. Slutligen har de reglertekniska metoderna testas för komplexa slumpmässiga tredimensionella störningar som genererats uppströms lokalt i gränsskiktet. Vi visar att en signifikant försening av laminärt-turbulentomslag äger rum med hjälp av en fXLMS algoritm. En analys av energibudgeten visar att för ideala aktuatorer och givare kan den sparade energiåtgången på grund av minskad väggfriktion vara upp till 1000 gånger större än den energi som använts för reglering.