[論文レビュー] End-to-end data-driven prediction of urban airflow and pollutant dispersion

Nishant Kumar, Franck Kerhervé+2 more|arXiv (Cornell University)|Mar 18, 2026

Wind and Air Flow Studies被引用数 0

ひとこと要約

この論文は、SPOD、オートエンコーダ、LSTM予測、およびCNNベースの速度からスカラーへの写像を用いて、LESデータで訓練された、瞬時および長期の都市 canyon 風量と汚染物質拡散を予測するモジュール型のエンドツーエンドのデータ駆動型縮約モデルを提案する。

ABSTRACT

Climate change and the rapid growth of urban populations are intensifying environmental stresses within cities, making the behavior of urban atmospheric flows a critical factor in public health, energy use, and overall livability. This study targets to develop fast and accurate models of urban pollutant dispersion to support decision-makers, enabling them to implement mitigation measures in a timely and cost-effective manner. To reach this goal, an end-to-end data-driven approach is proposed to model and predict the airflow and pollutant dispersion in a street canyon in skimming flow regime. A series of time-resolved snapshots obtained from large eddy simulation (LES) serves as the database. The proposed framework is based on four fundamental steps. Firstly, a reduced basis is obtained by spectral proper orthogonal decomposition (SPOD) of the database. The projection of the time series snapshot data onto the SPOD modes (time-domain approach) provides the temporal coefficients of the dynamics. Secondly, a nonlinear compression of the temporal coefficients is performed by autoencoder to reduce further the dimensionality of the problem. Thirdly, a reduced-order model (ROM) is learned in the latent space using Long Short-Term Memory (LSTM) netowrks. Finally, the pollutant dispersion is estimated from the predicted velocity field through convolutional neural network that maps both fields. The results demonstrate the efficacy of the model in predicting the instantaneous as well as statistically stationary fields over long time horizon.

研究の動機と目的

• 都市の成長と気候変動圧力の下で意思決定のための都市風と汚染物質拡散の迅速かつ正確な予測を動機付ける。
• 実時間または迅速なパラメトリック研究を可能にしつつ、主要な物理を保持するモジュール式のエンドツーエンドフレームワークを開発する。
• スペクトルPODと非線形次元削減および非線形時間予測を組み合わせて、多重尺度の都市フロー動力学を扱う。
• スキミングフロー街路 canyonにおける瞬時フロー場と長期統計の両方を予測する能力を示す。

提案手法

• LESデータのスペクトル適正正交分解（SPOD）によりスペクトル的に一貫したフロー構造を抽出して縮約基底を構築する。
• dense autoencoderでSPOD係数を圧縮してコンパクトな潜在表現を得る。
• Long Short-Term Memory（LSTM）ネットワークで潜在空間を予測し、時間的発展を予測する。
• 予測された速度場をCNNを用いてスカラー場へ写像し、フロー場を再構成して汚染物質濃度を推定する。
• 4つの要素をエンドツーエンドのデータ駆動ROMに統合し、瞬時および長期の統計場を再現できる。

実験結果

リサーチクエスチョン

• RQ1 SPODは都市 canyonフローにおける一貫性のある構造を効果的に分離し、縮約モデルの特徴量を parsimonious に提供できるか？
• RQ2 オートエンコーダはSPOD係数を低次元の潜在空間へ十分に圧縮し、予測忠実度を保てるか？
• RQ3 LSTMベースの予測は潜在空間の非線形な時間発展を長期予測で正確に予測できるか？
• RQ4 CNNは速度場を汚染物質濃度場へ信頼性高く写像し、予測された流れから拡散パターンを再現できるか？

主な発見

• このフレームワークは、都市 canyon フローの瞬時および長期統計場の両方を予測する。
• SPODによる次元削減と非線形オートエンコーディングは、時系列予測に適したコンパクトな潜在空間を生む。
• 潜在空間でのLSTMベースの予測は非線形の時間ダイナミクスを捉え、速度場の正確な再構成を可能にする。
• 予測速度から濃度へのCNN写像は、ROMからの汚染物質拡散パターンを効果的に再構成する。
• モジュール式アーキテクチャは、計算コストを削減しつつ高忠実度のLES結果を再現する効果を示す。