基于物理原理的传感器布置用于街道峡谷风场重建

《Sustainable Cities and Society》:Physics-informed sensor placement for street canyon wind field reconstruction

【字体: 大 中 小 】 时间:2026年07月12日 来源:Sustainable Cities and Society 13.3

编辑推荐:

  江文军|彭丹尼尔·子越|刘博|彭涵中国香港香港科技大学土木与环境工程系摘要城市风场重建在行人风环境舒适度评估、污染物扩散分析以及城市风环境管理中起着关键作用。然而,由于传感器成本高昂且部署难度大,实验和现场测量数据往往十分稀少,这使得高分辨率风场的精确重建变得十分困难。现有的最优

  江文军|彭丹尼尔·子越|刘博|彭涵中国香港香港科技大学土木与环境工程系摘要城市风场重建在行人风环境舒适度评估、污染物扩散分析以及城市风环境管理中起着关键作用。然而,由于传感器成本高昂且部署难度大,实验和现场测量数据往往十分稀少,这使得高分辨率风场的精确重建变得十分困难。现有的最优传感器布置策略主要以数据驱动为主,往往忽视流体流动的物理规律,从而导致传感器配置在物理上并不理想。本研究提出了一种基于物理信息的传感器布置框架,该框架利用物理信息神经网络将最优传感器选择与风场重建紧密结合。具体而言,该方法采用一种贪婪式主动学习策略,根据基于CFD的重建误差以及PINN学到的潜在特征的几何重要性来迭代选择传感器位置,同时通过空间分离约束确保其实际可部署性。该框架通过二维街道峡谷的高精度雷诺平均纳维-斯托克斯模拟进行了验证,结果表明,即使在传感器数量有限的情况下,该框架也能实现流速分量和垂直速度分量的高精度重建。与随机采样、QR变换以及传统风洞传感器配置相比,该框架的重建精度更为出色。这一框架为在城市环境中实现符合物理规律的传感器部署提供了可扩展的解决方案,具有在城市风环境评估中的应用潜力。

引言全球城市人口已超过46亿,约占世界总人口的55%,预计到2050年还将增加25亿人,占比接近68%(联合国人口司,2024年;联合国经济和社会事务部,2018年)。随着城市规模的不断扩大以容纳不断增长的人口,风因素在行人风环境舒适度、污染物扩散以及城市热环境建模、预测和控制方面发挥着越来越重要的作用(Tominaga等人,2008年;Huang等人,2021年;Ulpiani,2021年)。这些问题直接关系到行人的安全以及城市居民的健康(Tominaga等人,2008年;Borg等人,2019年;Cheng等人,2019年;Sun等人,2021年)。因此,获得准确而完整的风场数据对于确保城市环境中的风场建模、预测和控制的可靠性至关重要。

在风工程中,获取风场数据通常依赖于三种主要方法:计算流体动力学、风洞试验以及现场测量。计算流体动力学能够提供高分辨率的全场风数据,但计算成本较高,且不适合实时风场推断。相比之下,风洞试验和现场测量等实验方法在流体动力学领域因其可靠性而被广泛认可。然而,这些实验方法的根本局限性在于其空间分布的稀疏性,因为相关仪器成本高昂且难以部署。这就形成了一个权衡:要么依靠传感器获得可靠但稀疏的数据,要么依靠模拟获得高精度数据。为了解决这一难题,风场重建作为一种活跃的研究课题应运而生,旨在利用稀疏的观测数据来重建完整的高分辨率风场。不过,重建精度在很大程度上取决于观测数据的信息量,如何最优地布置这些有限的传感器仍是一个挑战。

近期关于稀疏和受限传感器网络的研究结合了降阶建模和机器学习技术用于风压重建。基于POD和DMD的方法,包括扩展谱POD和Koopman分析,可用于捕捉主导流动结构以实现稀疏重建(Li等人,2021年;Li等人,2024年;Zhang等人,2023年)。多分辨率DMD则进一步实现了对建筑物周围多尺度风压的重建(Kutz等人,2016年;Snaiki和Mirfakhar,2024年)。为了解决数据不完整的问题,gappy POD被广泛用于基于稀疏或缺失数据的重建(Ebert和Weiss,2023年;Xing等人,2022年)。与此同时,诸如POD-LSTM和基于优化的框架等机器学习方法也被用于压力预测和传感器布置(Dong等人,2025年;Du等人,2024年),此外还有用于优化传感器布局设计的压缩感知方法(Luo等人,2023年)。这些研究都凸显出需要一种能够在实际限制条件下依然有效的传感器布置策略,尤其是当传感器数量有限或存在缺失时。

在环境风工程中研究的各种几何结构中,如图1所示,由粗糙障碍物构成的二维街道峡谷是一种典型的城市几何形态。由于其能够体现真实街道峡谷的基本流动特性,这种简化的几何结构被广泛用于城市风环境研究和风洞试验中。鉴于本研究的目标是为街道峡谷风洞试验确定最优传感器布置,因此选择了带有粗糙障碍物的二维街道峡谷,以便与现有研究保持最大程度的适用性和可比性。这种几何结构在以往的研究中已被广泛探讨(Gromke和Ruck,2007年;Gromke和Ruck,2009年;Meroney等人,1996年),因此已成为该领域的标准基准。

最优传感器布置能够降低传感器成本,并捕捉最关键的流动物理特征。在文献中,已有多种策略试图通过利用高精度流动数据来解决最优传感器布置问题,其中以基于统计的方法为主。这类方法通常依赖降阶模型来提取流场中的主导相干结构,如适当正交分解、多分辨率动态模式分解以及动态模式分解。基于此,传感器布置被定义为选择那些最能准确估计分解系数的位置。随后,通常会采用QR变换来确定主导模式下极值点处的最优传感器位置。尽管这类方法在处理线性系统时计算效率高且效果良好,但其性能在很大程度上取决于预计算基函数的质量。此外,它们可能难以准确描述复杂城市流动中固有的高度非线性空间变化。

与基于统计的方法的确定性不同,基于信息论的方法为传感器布置提供了概率视角。这类方法利用熵和互信息等指标来衡量传感器在降低整个流场不确定性方面的作用。虽然从理论上来说这种方法较为稳健,但其计算成本很高。计算信息增益通常涉及复杂的矩阵运算,对于高维流体数据而言运算速度极为缓慢,这限制了其在风场重建中的实际应用。更关键的是,无论是基于信息论的方法还是上述基于统计的方法,都主要依赖于从CFD数据中得到的降阶模型或统计分数。尽管这样的表示方式能够编码具有物理意义的流动结构,但传感器布置往往是基于全局模态模式或不确定性度量来进行的,而非将局部重建误差与物理先验条件明确结合。因此,所选传感器位置可能在统计上具有信息量,但不一定最适合捕捉复杂城市环境中的高度非线性和局部化流动特征。所以,迫切需要一种超越静态统计指标的最优传感器布置框架,能够主动定位局部重建误差较高的区域,确保传感器被部署在物理差异最为明显的位置。

近年来,深度学习算法在风场重建领域得到了越来越多的研究(Gao、Hu、Zhang、Jiang、Ren和Chen,2024年;Gao、Hu、Zhang、Jiang、Tse等人,2024年;Gao等人,2024c年;Gu等人,2025年;Wang等人,2025年)。更进一步地,深度学习的最新进展引入了基于物理信息的理念,其中最具代表性的是物理信息神经网络。物理信息神经网络通过将物理定律直接嵌入学习过程中,为最优传感器布置提供了一种具有物理依据的替代方案。通过将控制方程作为正则化项直接嵌入损失函数中,物理信息神经网络能够利用物理定律有效地约束解空间。这种整合使得传感器布置策略不仅与数据一致,而且符合物理规律,能够借助偏微分方程在测量数据稀疏的区域推断流动特征。例如,Jing等人(2025年)提出了一种基于物理信息神经网络的雷诺平均纳维-斯托克斯方程带硬约束方法,用于实现室内气流场重建。同样,物理信息神经网络也被应用于风场重建研究之中。此外,近期在建筑空气动力学的稀疏和受限传感器网络方面也取得了进展,其中包括基于机器学习的风压预测技术。然而,尽管在风场重建领域已经取得了这些成果,但将物理信息神经网络专门用于优化传感器布置的潜力在现有文献中仍未得到充分探索。

为了从基于物理信息的角度解决最优传感器布置问题,本研究提出了一种新的传感器布置方案。我们框架的创新之处在于它不同于现有的基于物理信息神经网络的重建方法以及传统的基于QR变换的最优传感器布置方法。现有的物理信息神经网络主要侧重于利用固定数量的传感器来重建风场,而我们的方法则主动利用基于CFD的重建误差来指导最优传感器布置。此外,与传统基于QR变换的方法不同,后者依赖于预计算模式的静态统计特征,而我们的框架则在对物理信息神经网络的潜在特征空间进行贪婪式主动学习。通过将基于CFD的重建误差与这种基于物理信息的潜在特征空间相结合,我们的框架确保所选传感器不仅在统计上具有信息量,而且在物理上也是至关重要的。与仅依赖统计特征的传统数据驱动方法不同,我们所提出的框架利用基于CFD的重建误差来识别最具信息量的传感器位置。这一策略旨在在最小化所需传感器数量的同时,最大化重建精度。为了严格验证所提方法的有效性和稳健性,我们在不同条件下进行了全面的对比分析,以现有最先进的基准方法作为对照。

本文的结构如下:第2节介绍了计算域的设计、物理信息神经网络模型的构建以及基于该模型的贪婪式主动学习框架。第3节对各种结果进行了全面比较和分析。第4节给出了结论。图2展示了所提出的基于物理信息的传感器布置方案的流程图。

片段整理

确定最优传感器布置问题本研究的主要目标是在给定区域内选择最优传感器布置,以最大化风场重建的精度。由于在实际工程中,如风洞试验和现场测量,获取高分辨率风场数据并不现实,因此我们采用了类似其他文献中的方法,即通过CFD模拟来确定“最佳”传感器位置(Gao等人,2023年)。

评估指标本研究采用了以下评估指标:归一化均方根误差、均方根误差、平均绝对误差、平均偏差误差以及决定系数R2:NRMSE=1n∑i=1n(y?y?)2yˉ,RMSE=1n∑i=1n(y?y?)2,MAE=1n∑i=1n|y?y?|,MBE=1n∑i=1n(y??y),R2=1?∑i=1n(y?y?)2∑i=1n(y?yˉ2),其中y代表模拟值,y?代表预测值,yˉ表示y的数学期望值,n则表示数据点的总数。

重建性能分析为了确定……

结论与未来研究本研究提出了一种用于城市街道峡谷风场重建的基于物理信息的传感器布置框架。通过将最优传感器布置与物理信息神经网络紧密结合,该方法突破了传统的纯统计或信息论策略,而是优先选择那些重建出的流动结果最明显违反物理定律的位置。该框架通过一种融合了物理残差、潜在特征几何结构的贪婪式批量主动学习过程来实现这一目标。

CRediT作者贡献声明江文军:撰写——原始稿件、可视化、软件、资源、项目管理、方法论、研究、正式分析、数据整理、概念构思。彭丹尼尔·子越:写作——初稿撰写、可视化、验证、方法设计、调研、正式分析、数据整理、概念构建。刘博:写作——审阅与编辑、调研、概念构建。彭涵:写作——审阅与编辑、调研、概念构建。利益冲突声明作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究未获得公共部门、商业机构或非营利组织提供的任何专项资助。作者衷心感谢T.S.谢博士在整个研究过程中给予的支持。
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