用于城市环境下行人级风场实时预测的可配置卷积神经网络
计算工程、金融与科学
2023-11-15 v1
摘要
城市化凸显了在城市与建筑设计背景下理解行人风环境的重要性。行人风舒适度(PWC)关注风对行人与骑行者安全和舒适的影响，鉴于城市结构对局地微气候的作用。用于PWC分析的传统计算流体动力学(CFD)方法在计算、成本与时间上存在局限。深度学习模型有潜力显著加速该过程。当前主流前沿方法主要依赖基于GAN的模型(如pix2pix)，其已表现出训练不稳定性问题。相比之下，我们的工作引入一种基于U-Net架构的卷积神经网络(CNN)方法，提供更稳定且精简的方案。将行人级风场预测过程从三维CFD模拟重构为二维图像到图像翻译任务，以投影建筑高度作为输入。在标准消费级硬件上的测试表明，我们的模型可实时高效预测城市环境中的风速。对不同模型配置的进一步测试，结合帕累托前沿分析，有助于明确精度与计算效率间的权衡。这种基于CNN的方法为PWC分析提供了快速高效的途径，潜在助力更高效的城市设计流程。
引用
@article{arxiv.2311.07985,
title = {Configurable convolutional neural networks for real-time pedestrian-level wind prediction in urban environments},
author = {Alfredo Vicente Clemente and Knut Erik Teigen Giljarhus and Luca Oggiano and Massimiliano Ruocco},
journal= {arXiv preprint arXiv:2311.07985},
year = {2023}
}