基于物理原理的高斯马尔可夫随机场框架在室内气流场预测中的应用

《BUILDING AND ENVIRONMENT》:A physics-informed Gaussian markov random field framework for indoor airflow field estimation

【字体: 大 中 小 】 时间:2026年07月05日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  哈维尔·蒙罗伊|佩佩·奥赫达|哈维尔·冈萨雷斯-希门尼斯,西班牙安达卢西亚马拉加大学马拉加机电工程与网络物理系统研究所机器感知与智能机器人小组(MAPIR),摘要:准确描述室内气流对于评估空气质量、理解空气中有害物质的传播规律以及评价建筑物的通风性能至关重要。然而在实践中,获取具

  哈维尔·蒙罗伊|佩佩·奥赫达|哈维尔·冈萨雷斯-希门尼斯,西班牙安达卢西亚马拉加大学马拉加机电工程与网络物理系统研究所机器感知与智能机器人小组(MAPIR),摘要:准确描述室内气流对于评估空气质量、理解空气中有害物质的传播规律以及评价建筑物的通风性能至关重要。然而在实践中,获取具有空间分辨率的气流信息仍然面临挑战:高精度的计算流体动力学模拟需要大量的计算资源,而通过对稀疏传感器数据的插值处理则无法体现气流的物理特性。本文提出了一种基于高斯马尔可夫随机场的物理信息映射方法,通过稀疏的内部观测数据重建二维气流场。该方法将源自纳维-斯托克斯方程的简化物理约束——包括质量守恒、平流作用和粘性扩散——纳入估计过程,从而在远低于计算流体动力学成本的条件下实现符合物理规律的气流重建。实验结果表明,该方法能够在多种室内环境中准确还原气流结构,并且在数据稀疏或不规则采样的情况下仍能保持稳定性。此外,它还能识别出通风不良的区域并描述气流路径,为通风性能评估和实时室内空气质量分析提供了实用工具。

引言:在现代建筑管理中,准确描述室内气流对于保障使用者的健康、舒适度以及能源效率具有重要意义。空气流速的空间分布影响着空气中有害物质的传输、温度调节措施的有效性,以及容易积聚有害污染物的静止区域的形成。对可靠气流评估的需求不仅存在于住宅和商业建筑中,在铸造厂或地下矿井等要求较高的工业环境中,风场测绘也是验证通风系统的常规手段,因为设计不当或未被发现的故障可能会严重威胁工人的健康和安全。近年来,新冠疫情进一步凸显了监测室内通风状况的重要性,这促使人们更加关注用于评估学校、医院及其他公共空间内气流状况的实用方法。传统上,计算流体动力学一直是气流建模领域的黄金标准。尽管计算流体动力学能够提供高精度且符合物理规律的模拟结果,但其高昂的计算成本限制了其在实际应用中的使用。此外,计算流体动力学需要专业的人员进行配置,依赖往往难以在真实环境中获得的精确边界条件,而且在连续或自适应监测方面的灵活性也较为有限。虽然计算流体动力学非常适合分析静态或设计阶段的情景——比如在建筑规划阶段估算基础气流模式——但它不太适合捕捉动态的、运行中的变化情况。尤其是,它无法很好地支持在不断变化的条件下进行实时估算,例如窗户的开闭、机械通风系统的变化或外部环境因素的波动。为了解决这一问题,一些替代方法开始采用分布式传感器网络或移动感知平台来收集稀疏的测量数据。然而,从如此稀疏且局部化的数据中重建空间气流场本质上是一个难题。传统的插值技术——如反距离加权法或常规克里金法——并未明确考虑控制气流的物理过程,这可能导致气流重建结果不一致。特别是,如果忽略质量守恒或不可渗透边界等约束条件,就可能会产生异常现象,比如在结构元件之间出现不现实的气流模式。为了解决这些问题,近来的研究趋势转向了深度学习替代模型以及物理信息神经网络。虽然这些数据驱动的框架在训练完成后能够实现近乎即时的查询速度,但它们存在一个严重的使用限制:其嵌入的权重本质上与优化过程中所使用的特定空间域相关联。因此,要将这些基于学习的模型应用于不同的室内拓扑结构,就需要进行大量的重新训练或微调,这限制了它们的灵活性和应用范围。为了解决这些局限性,本文提出了一种基于高斯马尔可夫随机场的物理信息映射框架。与试图用高精度的时序模拟工具替代,或依赖需要大量参数优化的数据密集型学习模型不同,该方法着眼于提供一种轻量级、无需训练的二维场重建方法。我们的目标是打造一种能够即时、持续地在复杂且以往未曾见过的室内几何结构中运行的自适应框架,同时确保重建出的稳态气流模式严格遵循流体动力学的基本原理。这种方法适用于各种实际操作场景——比如持续的室内空气质量监测、机器人辅助的气体源定位,或是快速检测危险泄漏点——在这些场景中,只需获得符合物理规律的、宏观层面的主流气流通道和静止区域信息即可。由此产生的替代模型被命名为GMRF-W,它将纳维-斯托克斯方程的低阶近似形式——包括质量守恒、粘性扩散和非线性平流作用——直接纳入高斯马尔可夫随机场的稀疏精度矩阵中。这种构建方式使得该框架能够重建连续的气流场,既能整合稀疏的点测数据,又能尊重不可渗透的空间障碍,同时保持基本的物理原理,而且其计算成本仅为传统计算流体动力学求解器的一小部分,还无需因几何结构变化而重新训练。为了便于重复实验并服务于科研社区,GMRF-W的开源实现已发布在https://github.com/MAPIRlab/GMRF-wind网站上。

相关研究:近年来,人们从多种角度探讨了如何利用稀疏、局部化的测量数据来建模连续的气流场,这些方法涵盖了纯粹的数据驱动统计模型以及混合型的物理信息策略。随着这一领域向实时应用发展,物理精度、计算成本与几何适应性之间的权衡已成为研究的核心焦点。利用高斯马尔可夫随机场对气流场进行概率空间建模:为了构建一种具有结构意识且计算效率高的室内气流表示方法,我们将连续的风场建模为离散的高斯马尔可夫随机场。该环境被离散化为由多个单元格组成的二维矩形网格。用向量表示整个气流场的状态,它是通过将每个单元格的局部二维风向量拼接起来得到的。该框架的目标是在给定一组稀疏数据的情况下,估算出最优的气流分布图。用于室内气流估算的物理信息高斯马尔可夫随机场模型:所提出的框架通过最小化总能量函数来估算二维气流场。与传统的统计映射方法不同,这里的能量项源自于不可压缩稳态流动的纳维-斯托克斯方程的低阶近似形式,同时结合连续性方程以确保质量守恒。这些方程描述了密度和粘度均为常数的牛顿流体的动量和质量守恒规律。虽然我们的模型……能量势的敏感度与孤立效应:如方程式所示,估算得到的气流分布图是通过对比各项能量项的加权总和后经过最小化处理得到的。这意味着估算结果在很大程度上取决于超参数组的相对权重,以及观测数据所具有的不确定性。为了了解所提模型的行为特点,我们通过消融实验分析了每一项能量项的独立影响,如图2所示,评估了相应的气流场变化情况。超参数选择:在高斯马尔可夫随机场框架中,这些超参数起着双重作用。它们的整体规模——相对于观测噪声而言——决定了数据精度与正则化效果之间的平衡,而各个参数之间的比例则决定了估算所得气流场的结构特性和物理行为。从概念上讲,这些超参数可分为两类:传输项(用于描述平流作用,用于描述扩散作用)和物理约束项(用于体现质量守恒,用于体现……)

实验与评估:在本节中,我们对所提出的GMRF-W框架进行了多层面的实验验证,旨在评估其空间重建的精确度以及几何适应性。评估工作被系统地分为两个主要部分:首先,我们以国际能源署附件20数据集中的实验基准房间作为验证依据。这项基础实验使我们能够将所用的计算流体动力学求解器结果与实际传感器测量数据进行交叉验证,进而直接进行对比。计算效率与可扩展性:相比传统的计算流体动力学方法,所提出的GMRF-W的一个显著优势在于它适用于近乎实时的运行监测。为了定量评估其计算负荷,我们进行了可扩展性分析,测量了在不同空间分辨率下方法的执行时间。具体来说,我们在固定场景下逐步改变网格单元的大小,从而增加单元总数。对于每一个不同的网格尺寸,我们都进行了100次重复实验,同时……

讨论与未来工作:在这项研究中,我们提出了GMRF-W框架,这是一种基于物理信息的统计方法,可用于根据稀疏的观测数据重建室内气流场。通过将质量守恒和障碍物约束直接纳入高斯马尔可夫随机场的精度矩阵中,该方法弥补了传统插值技术、数据密集型机器学习方法以及计算成本高昂的数值模拟方法之间的不足。由于该模型的构建方式完全……

作者贡献说明:哈维尔·蒙罗伊:撰写——审阅与编辑,撰写——初稿,软件开发,方法设计,实验研究,形式分析,概念构思。佩佩·奥赫达:撰写——审阅与编辑,模型验证,软件开发,实验研究。哈维尔·冈萨雷斯-希门尼斯:撰写——审阅与编辑,项目指导,资金筹集,概念构思。

利益冲突声明:作者声明自己不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢:本研究部分得到了马拉加大学在PPRO-TEP960-G-2023(TEP960-G-FEDER)项目下的资助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号