CFD numerical simulations to elucidate the wind speedup generated by the geomorphic complexity of Puerto Rico

Abstract

FEMA commissioned a joint effort study after Hurricane Maria (2017) for Puerto Rico to develop Special Wind Region Maps, as specified in ASCE 7-16 wind guidelines. The venture was led by the Strategic Alliance for Risk Reduction. The University of Florida conducted wind tunnel experiments of six regions of the island to quantify wind speed-up effects due to the complex topography. Applied Research Associates, Inc. used the wind tunnel data to develop an empirical methodology to create the current Puerto Rico Building Code 2018 hurricane wind maps valid at 10 m from the ground level. This thesis focuses on validating wind tunnel data using a Computational Fluid Dynamics CFD model, which consisted of steady wind flows blowing from sixteen cardinal directions. Various turbulence models (e.g., RANS, LES) were compared and evaluated to predict speed-up data. Furthermore, CFD modeling enabled us to provide vertical profiles of the wind at any location, resulting in a cost-effective and reliable framework to study complex terrain. The CFD data generated is currently used to fill the original wind tunnel study gaps to develop a machine learning tool to predict wind speed-up vertical profiles over any location in the complex topography.

FEMA, después del huracán María (2017), comisionó un estudio de esfuerzos conjunto para el desarrollo de los “Special Wind Region Maps” en Puerto Rico, en acorde al código de ASCE 7-16. Este estudio fue liderado por el conjunto de “Strategic Alliance for Risk Reduction”. Estos experimentos fueron realizados por La Universidad de Florida, utilizando túnel de viento para seis regiones de la isla. Debido a la complejidad de la topografía de Puerto Rico, se cuantificaron los efectos de aumento de velocidad del viento. Estos datos fueron utilizados por “Applied Research Associates, Inc”. para generar los mapas de viento del Código de Construcción de Puerto Rico- 2018. Esta tesis se centra en la validación de los datos del túnel de viento, utilizando un modelo de dinámica de fluidos computacional (CFD). En el mismo, se compararon y evaluaron varios modelos de turbulencia (por ejemplo, RANS, LES) para predecir los datos de aumento de velocidad de viento. A través del modelo CFD se proporcionan perfiles verticales del viento en cualquier ubicación, lo que resulta en una herramienta costo-efectiva y confiable. Los datos generados por la herramienta de CFD, se utilizan para llenar las limitaciones existentes en el estudio del túnel de viento. Con ello, se desarrollará una herramienta de aprendizaje automática, la cual ayudará a predecir el aumento del viento en cualquier terreno complejo.