用于城市区域行人舒适度风场评估的位置编码增强 GAN
计算机视觉与模式识别
2022-01-05 v2 人工智能
机器学习
摘要
使用计算流体动力学（CFD）方法近似风场可能非常耗时。创建一个在观察风场变化的同时交互式设计原型的工具，需要更简单的模型以更快地进行模拟。与其运行产生详细计算的数值近似，数据驱动方法和深度学习或许能够在极短的时间内给出类似的结果。本工作将使用 CFD 计算三维流场的问题重新表述为基于二维图像到图像翻译的问题，作用于建筑底面以预测行人高度处的流场。我们研究了生成对抗网络（GAN）的使用，例如 Pix2Pix [1] 和 CycleGAN [2]（代表各领域图像到图像翻译任务的最先进方法）以及 U-Net 自动编码器 [3]。这些模型能够以数据驱动的方式学习数据集的潜在分布，我们认为这可以帮助模型从 CFD 中学习潜在的雷诺平均 Navier-Stokes（RANS）方程。我们在带有和不带有高度信息的各种三维钝体形状建筑的新颖模拟数据集上进行实验。此外，我们对所选模型生成的图像进行了广泛的定性和定量评估，并将其性能与 CFD 提供的模拟结果进行比较。然后，我们通过提出一种在这些不同架构上注入此类信息的通用框架，表明向输入中添加位置数据可以产生更准确的结果。此外，我们表明通过应用注意力机制和谱归一化以促进稳定训练，模型性能得到了提升。
引用
@article{arxiv.2112.08447,
title = {Positional Encoding Augmented GAN for the Assessment of Wind Flow for Pedestrian Comfort in Urban Areas},
author = {Henrik Hoeiness and Kristoffer Gjerde and Luca Oggiano and Knut Erik Teigen Giljarhus and Massimiliano Ruocco},
journal= {arXiv preprint arXiv:2112.08447},
year = {2022}
}