城市边界层流动的代理建模

代理建模是为涉及重复评估昂贵计算流体动力学模型的应用（如不确定性量化和反问题）提供可行解决方案。本研究提出了一种基于多层感知机（MLP）的机器学习代理，用于冠层流动统计量，可适应任意来流平均风向角。该代理模型的训练与测试基于中性环境层结下表面 mounted 立方体上方及内部明渠流动的大涡模拟结果。训练数据集包含来自不同来流平均风向角的流动统计量，要求代理模型“在数据点之间建立联系”，即预测未见来流平均风向角取值下的流动统计量。针对一系列训练数据，将 MLP 性能与更传统的基于样条的插值方法进行比较。就各流动统计量的相对平均绝对误差而言，所提出的 MLP 代理始终优于样条插值，尤其在训练样本数量减少时更为明显。MLP 模型准确捕捉平均剖面与三维流动变异性，提供稳健预测，即使仅以少至四个来流风向角训练亦如此。该模型比大涡模拟快 $10^4 \times$，从而证明其在城市冠层流动建模背景下的多查询任务中行之有效。