Data-efficient rapid prediction of urban airflow and temperature fields for complex building geometries

要約

建物の幾何学のみに基づいて、風速や温度を含む都市の微気候を正確に予測するには、建物と気流の間の複雑な相互作用、特に方向性幾何学の影響を受けた長距離覚醒効果をキャプチャする必要があります。
計算流体のダイナミクス（CFD）に依存する従来の方法は、大規模なシミュレーションでは法外に高価ですが、データ駆動型のアプローチは、限られたトレーニングデータとローカルおよび遠方の依存関係の両方をモデル化する必要性と格闘しています。
これに応じて、最小限のCFDデータで効果的な風のフィールド予測を実現するために、ローカライズされたトレーニングと組み合わせた多方向距離機能（MDDF）を活用する新しいフレームワークを提案します。
問題の次元を減らすことにより、ローカライズされたトレーニングはトレーニングサンプルの数を効果的に増やし、MDDFは周囲の幾何学的情報をエンコードして、ウェイクダイナミクスとフローリダイレクトを正確にモデル化します。
わずか24のCFDシミュレーションでトレーニングされた当社のローカライズされたフーリエ神経演算子（ローカルFNO）モデルは、1分未満で完全な3D風速と温度予測を生成し、従来のCFDメソッドよりも500倍のスピードアップをもたらします。
風速が0.3 m/s、目に見えない都市構成の温度で0.3 $^{\ circ} $ cの平均絶対誤差により、この方法は強力な一般化能力と実用的な都市アプリケーションの重要な可能性を示しています。

要約(オリジナル)

Accurately predicting urban microclimate, including wind speed and temperature, based solely on building geometry requires capturing complex interactions between buildings and airflow, particularly long-range wake effects influenced by directional geometry. Traditional methods relying on computational fluid dynamics (CFD) are prohibitively expensive for large-scale simulations, while data-driven approaches struggle with limited training data and the need to model both local and far-field dependencies. In response, we propose a novel framework that leverages a multi-directional distance feature (MDDF) combined with localized training to achieve effective wind field predictions with minimal CFD data. By reducing the problem’s dimensionality, localized training effectively increases the number of training samples, while MDDF encodes the surrounding geometric information to accurately model wake dynamics and flow redirection. Trained on only 24 CFD simulations, our localized Fourier neural operator (Local-FNO) model generates full 3D wind velocity and temperature predictions in under one minute, yielding a 500-fold speedup over conventional CFD methods. With mean absolute errors of 0.3 m/s for wind speed and 0.3 $^{\circ}$C for temperature on unseen urban configurations, our method demonstrates strong generalization capabilities and significant potential for practical urban applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google