使用局部傅里叶神经算子建模多变量高分辨率三维城市微气候
流体动力学
2024-11-19 v1 机器学习
摘要
准确的城市微气候分析，包括风速和温度，对于节能的城市规划、支持碳减排、提升公众健康与舒适度以及推进低空经济至关重要。然而，耦合速度和温度的传统计算流体动力学 (computational fluid dynamics, CFD) 模拟计算成本高昂。近期机器学习 (machine learning) 的进展为加速城市微气候模拟提供了有前景的替代方案。傅里叶神经算子 (Fourier neural operator, FNO) 在预测城市风场中的单变量速度大小方面已展现出效率和准确性。然而，对于多变量高分辨率三维城市微气候预测，FNO 面临三个关键限制：输出质量模糊、GPU 内存需求高以及数据需求量大。为了解决这些问题，我们提出了一种新颖的局部傅里叶神经算子 (Localized Fourier Neural Operator, Local-FNO) 模型，该模型采用局部训练、几何编码和块重叠技术。Local-FNO 能够准确预测城市微气候中快速变化的湍流，预测时长超过 60 秒，是平均湍流积分时间尺度的四倍，速度平均误差为 0.35 m/s，温度平均误差为 0.30 °C。它还准确捕捉了由速度-温度相关性表示的湍流热通量。在一个 2 km x 2 km 的区域内，Local-FNO 能够解析分辨率低至 10 m 的湍流模式。它在单个 32 GB GPU 上提供了 1.5 亿个特征维度的高分辨率预测，速度几乎是 CFD 求解器的 50 倍。与 FNO 相比，Local-FNO 的预测误差降低了 23.9%，湍流脉动相关性提高了 47.3%。
引用
@article{arxiv.2411.11348,
title = {Modeling Multivariable High-resolution 3D Urban Microclimate Using Localized Fourier Neural Operator},
author = {Shaoxiang Qin and Dongxue Zhan and Dingyang Geng and Wenhui Peng and Geng Tian and Yurong Shi and Naiping Gao and Xue Liu and Liangzhu Leon Wang},
journal= {arXiv preprint arXiv:2411.11348},
year = {2024}
}