用于三维动态城市微气候实时模拟的傅里叶神经算子
机器学习
2023-10-03 v2 数值分析
数值分析
流体动力学
摘要
全球城市化凸显了城市微气候对人类舒适度、健康以及建筑/城市能源效率的重要性。作为重大环境影响，它们深刻影响建筑设计与城市规划。理解局部微气候对城市准备应对气候变化并有效实施韧性措施至关重要。然而，分析城市微气候需要考虑城市尺度计算域内比室内更长时期的复杂户外参数阵列。因此，在评估城市微气候影响时，计算流体动力学（CFD）等数值方法变得计算昂贵。深度学习技术的兴起为加速复杂非线性交互与系统动力学建模开辟了新机遇。近来，傅里叶神经算子（FNO）在加速求解偏微分方程（PDEs）与建模流体动力学系统方面已显示出极具前景。本工作中，我们应用 FNO 网络进行实时三维（3D）城市风场模拟。训练与测试数据由城市区域的 CFD 模拟生成，基于半拉格朗日方法与分数步长法来模拟城市微气候特征以建模大规模城市问题。数值实验表明，FNO 模型能准确重建瞬时空间速度场。我们进一步在不同风向的未见数据上评估训练好的 FNO 模型，结果显示 FNO 模型能很好地泛化至不同风向。更重要的是，FNO 方法可在图形处理单元上于毫秒内作出预测，使三维动态城市微气候的实时模拟成为可能。
引用
@article{arxiv.2308.03985,
title = {Fourier neural operator for real-time simulation of 3D dynamic urban microclimate},
author = {Wenhui Peng and Shaoxiang Qin and Senwen Yang and Jianchun Wang and Xue Liu and Liangzhu Leon Wang},
journal= {arXiv preprint arXiv:2308.03985},
year = {2023}
}