局部空间信息对基于CNN的建筑物周围行人级百分位风速预测的影响

《BUILDING AND ENVIRONMENT》:Influence of local spatial information on CNN-based prediction of pedestrian-level percentile wind speeds around buildings

【字体: 大 中 小 】 时间:2026年07月10日 来源:BUILDING AND ENVIRONMENT 8.4

编辑推荐:

  万明轩|李烨展|池永毅 日本九州大学工程科学跨学科研究生院 摘要:准确预测行人所在高度的风速对于可靠的风环境评估和城市规划至关重要。大涡模拟已被用于解析复杂的城市气流结构,但该方法会产生大量高频时间序列数据,给数据存储和后期处理带来巨大负担。为解决这一问题,本研究提出了一种基于卷

  万明轩|李烨展|池永毅 日本九州大学工程科学跨学科研究生院 摘要:准确预测行人所在高度的风速对于可靠的风环境评估和城市规划至关重要。大涡模拟已被用于解析复杂的城市气流结构,但该方法会产生大量高频时间序列数据,给数据存储和后期处理带来巨大负担。为解决这一问题,本研究提出了一种基于卷积神经网络替代模型的低频风速归纳预测框架。该模型利用其捕捉流场空间特征的能力,根据大涡模拟时间序列数据中的统计特征,预测6个百分位风速(99.9%、99%、90%、10%、1%和0.1%)。研究系统分析了输入统计特征和输入区域大小对预测性能的影响。仅使用一阶统计量的模型与二阶统计量模型的预测效果相当,六个体百分位的均方根误差差异仅为0.19%。针对输入区域大小的敏感性分析表明,使用一阶统计量的模型在输入区域大小介于0.14H到0.64H之间时仍能保持稳定性能,而使用二阶统计量的模型则在0.05H到0.48H范围内可得到类似精度的预测结果。总体而言,本研究为设计高效且具有空间一致性的卷积神经网络替代模型以用于城市风速预测提供了具有物理意义的指导。引言:行人所在高度的风环境在城市环境中起着至关重要的作用,它直接影响人们的户外舒适度、安全以及污染物扩散情况。建筑物周围加速形成的强风可能给行人带来不适甚至危险,而通风不足则会导致热应激和空气质量下降。随着城市密度和地形复杂度的增加,准确描述行人高度处的风环境已成为城市环境工程领域面临的长期挑战。通常通过现场测量、风洞实验和计算流体动力学模拟来研究行人高度处的风环境。在数值方法中,大涡模拟因其能够解析主导的湍流结构并捕捉建筑物周围固有的非稳态流动特性而被广泛采用。大涡模拟已被成功应用于分析孤立建筑群和密集建筑群中的平均风速分布、湍流特征以及极端风事件。Kikumoto等人利用大涡模拟分析了建筑物周围的行人高度风环境,明确了风洞实验和计算流体动力学模拟中常用的不同平均风速定义之间的一致性与差异。Aboshosha等人则运用大涡模拟研究了不同地形粗糙度条件下高强度下击暴流风的湍流结构、长度尺度及阵风因子,展现了该模型在解析与结构荷载相关的非稳态湍流特征方面的能力。Okaze等人对单栋建筑物周围的流动进行了系统的基准研究,量化了平均流场和二阶湍流统计量对网格分辨率、子网格尺度模型以及数值方案的敏感度。Bou-Zeid等人在低粗糙度环境中对建筑群进行了大涡模拟,证明了建筑群聚对建筑区上游边缘的流动调整、湍流动能产生以及动量交换有着显著影响。然而,尽管大涡模拟精度很高,但在需要长时间序列数据时仍需大量计算资源,且这类数据的存储和后期处理也需要相当大的投入。为减轻长时间序列模拟的计算和存储负担,人们通常将时间序列数据以统计量的形式存储,以此概括时间序列的关键特征,如平均风速和标准差。这些统计量既能反映整体流动强度,又能保留有关速度波动的重要信息。基于这种统计描述,人们提出了多种统计方法,用于在实际工程条件下估算与风相关的指标。Seta等人将格拉姆-查利尔级数展开法应用于大涡模拟得到的行人高度风速统计数据,证明可以从低阶到高阶矩重构概率密度函数和百分位风速,从而无需完整的时间序列数据即可估算罕见强风事件。Wang等人则利用二参数和三参数威布尔分布对大涡模拟得到的行人高度风速统计数据进行建模,结果表明,仅需平均值、标准差和偏度等低阶统计量,就能准确估算出超越概率低至0.1%的百分位风速。虽然这些统计方法在理想环境和城市环境中都能较好地估算罕见风速,但由于它们通常是作为参数模型构建的,其表达灵活性仍然有限。在这种模型中,概率分布仅由少数参数描述,而这些参数通常来自统计量,这限制了它们捕捉复杂流动行为的能力。相比之下,机器学习方法用于预测罕见风速,有望提供更大的灵活性和更高的精度,因为它们作为非参数模型,可以直接从数据中学习复杂的输入输出关系。这些特点使得机器学习成为模拟城市环境中复杂且高度非线性的风现象的理想工具。因此,机器学习技术已成为加速城市风环境评估的有力工具。人工神经网络、卷积神经网络以及其他数据驱动模型已被用于根据几何形状和流动相关数据预测风速分布、舒适度指数以及污染物扩散情况。Li等人基于大涡模拟统计数据训练了人工神经网络模型,用于预测简化城市建筑群中行人高度的罕见百分位风速,结果表明,数据驱动模型在捕捉极端风事件方面优于传统统计方法。Salcedo-Sanz等人则开发了一种基于进化支持向量回归的框架,用于风电场的短期风速预测,他们通过进化编程和粒子群优化技术优化超参数,证明了该方法相比传统的网格搜索方法具有更高的预测精度。Inam等人提出了一种基于物理信息的神经网络框架,将热力学约束直接纳入损失函数中,从而在保持与物理原理一致的同时提升预测的稳健性和可解释性。Cardona等人则提出了一种结合卷积神经网络和循环神经网络的模型,可直接从风致运动视频(如飘动的旗帜和摇曳的树木)中预测局部风速,该模型与现场风速计的测量结果吻合度较高,且能适用于不同物体和测试条件。在这些方法中,卷积神经网络尤其适合用于流场分析,因为它能够从结构化网格数据中自动提取局部特征和空间相关性,这类特征对于预测受建筑空间布局影响的强风和弱风场非常有用,因此卷积神经网络很适合作为计算流体动力学和大涡模拟结果的替代模型。受到这些进展的启发,我们最近开发了一种基于卷积神经网络的框架,利用大涡模拟得到的统计输入数据预测行人高度的百分位风速。那项研究证明了利用卷积神经网络模型从低阶统计信息中重构百分位风速场的可行性,同时也凸显了基于卷积神经网络的替代模型在城市风环境评估中的潜力。不过,仍有几个重要问题尚未解决。尤其是,目前还不清楚准确预测百分位风速究竟需要哪些统计信息,以及仅靠一阶统计信息是否就能具备足够的预测能力。从实际应用和物理角度而言,平均风速是局部流场最基本的统计量,因此明确其预测能力不仅有助于简化模型输入,还有助于确定决定百分位风速预测的关键统计信息。除了统计输入的选择之外,另一个未解决的问题是如何向卷积神经网络提供空间信息。我们之前的研究显示,该模型能够利用局部统计输入成功重构高百分位和低百分位的风场,但同时也表明预测性能取决于输入样本的空间分布。在那项研究中,相邻采样点是连续排列的,因此输入设置的主要区别在于局部采样密度。而在真实的城市风环境中,与百分位风速相关的流动结构可能会因局部地形和流动状态的不同而呈现不同的空间尺度。因此,目前尚不清楚准确预测实际上需要多少周围的空间信息,以及扩大输入区域是否真的能带来好处。解决这些问题不仅有助于提升模型性能,还有助于理解卷积神经网络所使用的空间信息。为探讨这一问题,本研究在固定输入点数量的前提下,系统地扩大输入区域的大小,从而增加采样点之间的间距。这一框架有助于更清晰地研究输入区域大小的影响,同时还能比较使用一阶和二阶统计输入的卷积神经网络模型的尺度敏感性。为此,本研究开发了一种基于卷积神经网络的框架,利用大涡模拟数据的局部统计表示来预测行人高度的百分位风速,系统研究输入特征和输入区域大小对预测精度的影响。本研究的目标有三个方面:第一,评估一阶和二阶统计输入在百分位风速预测中的相对预测能力;第二,研究统计特征选择和输入区域大小对预测精度的影响;第三,通过将模型灵敏度和特征重要性与流动梯度及空间相关性特征联系起来,为卷积神经网络的行为提供基于物理原理的解释。通过整合大涡模拟数据、卷积神经网络建模和可解释性分析,本研究旨在为开发高效且符合物理原理的城市风环境评估机器学习模型提供实用指导。本文的其余部分结构如下:第2节介绍了大涡模拟数据集、局部统计输入的构建方法以及卷积神经网络框架。第3节首先评估卷积神经网络模型预测行人高度百分位风速的能力,然后比较使用一阶和二阶统计输入的模型的预测性能。第4节研究输入区域大小对预测精度的影响,并通过两点相关分析和空间梯度分析进一步解释所观察到的模型行为。最后,第5节总结了主要研究结果并给出结论。数据来源:本研究使用的数据集描述了全尺寸条件下,平面密度为16%的交错立方体建筑群周围的气流情况。该流场是采用并行化大涡模拟方法模拟的,其配置参考了Abd Razak等人的研究,模型设置和验证的详细信息可在该研究中找到。数值计算域的体积为5H×5H×4H,如图1(a)所示。每栋建筑的尺寸相同。卷积神经网络预测的评估:模型的性能是通过均方根误差作为目标函数来评估的,该函数用于衡量模型输出与对应参考值之间的偏差。本研究采用的均方根误差公式如下:RMSE=1n∑i=1n(y^i?yi)2,其中y^i表示第i个样本对应的模型输出,yi则表示相应的参考值,n表示需要评估的样本数量。均方根误差可以概括整体的偏差程度。输入区域大小对卷积神经网络预测的影响:第3节的研究结果表明,所提出的卷积神经网络模型能够利用局部统计输入准确预测百分位风速。但随着输入区域大小的增加,模型能够纳入更广阔的空间背景,这可能会提升特征表征能力。基于这一考虑,本研究通过改变输入区域大小,并分析相应的误差指标变化,系统研究了输入区域大小对卷积神经网络预测性能的影响。结论:本研究基于大涡模拟数据开发了一种卷积神经网络框架,利用局部统计输入预测行人高度的百分位风速。研究系统分析了输入统计特征和输入区域大小的影响。首先研究了使用一阶和二阶统计量的卷积神经网络模型的预测性能,随后通过基于SHAP的特征归因方法,明确了不同输入统计量各自的贡献程度。此外,还通过两点相关分析和CRediT作者贡献声明:万明轩:撰写——初稿、方法论、研究内容、正式分析。李烨展:撰写——审阅与编辑、方法论、研究内容。池永毅:撰写——审阅与编辑、监督工作、方法论、资金获取。
相关新闻
生物通微信公众号
微信
新浪微博

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