[論文レビュー] Pedestrian Wind Factor Estimation in Complex Urban Environments

Sarah Mokhtar, Matthew Beveridge+2 more|arXiv (Cornell University)|Oct 6, 2021

Wind and Air Flow Studies参考文献 29被引用数 7

ひとこと要約

本稿では、複雑な都市環境における歩行者レベルの風圧快適性推定を高速化するための条件付き生成対抗ネットワーク（cGAN）を提案する。CFDシミュレーション時間を最大2日間から10秒未塔に短縮し、平均誤差±0.2 m/sという高い精度を維持する。このモデルは、初期段階の都市設計に適したリアルタイムで解釈可能な風場近似を可能にする。

ABSTRACT

Urban planners and policy makers face the challenge of creating livable and enjoyable cities for larger populations in much denser urban conditions. While the urban microclimate holds a key role in defining the quality of urban spaces today and in the future, the integration of wind microclimate assessment in early urban design and planning processes remains a challenge due to the complexity and high computational expense of computational fluid dynamics (CFD) simulations. This work develops a data-driven workflow for real-time pedestrian wind comfort estimation in complex urban environments which may enable designers, policy makers and city residents to make informed decisions about mobility, health, and energy choices. We use a conditional generative adversarial network (cGAN) architecture to reduce the computational computation while maintaining high confidence levels and interpretability, adequate representation of urban complexity, and suitability for pedestrian comfort estimation. We demonstrate high quality wind field approximations while reducing computation time from days to seconds.

研究の動機と目的

• 従来のCFDシミュレーションの高い計算コストのため、都市計画の初期段階に風微気候評価を統合することが困難であるという課題に対処する。
• 複雑な都市形状における歩行者レベルの風圧快適性推定のためのデータ駆動型でリアルタイムなワークフローを開発する。
• 入り口、トンネル、木々、地形などの局所的都市特徴の表現を向上させることで、既存のサーヴィエートモデルを改善する。
• 高速で解釈可能かつ正確な風場予測を提供することで、都市計画者や設計者による実用的導入を可能にする。

提案手法

• 都市形状入力を風速場出力へマッピングする条件付き生成対抗ネットワーク（cGAN）を採用し、学習する。
• 高層ビル、木々、地形的特徴を含む多様な都市配置のCFDシミュレーションデータセットを用いてcGANを学習する。
• 建物の幾何形状、地形、植生を含む都市形状を符号化した条件付き入力を用い、風場生成をガイドする。
• 完全なCFDとの誤差を最小限に抑える高精細な風場近似を生成できるように、生成器および識別器ネットワークを最適化する。
• 画素単位の精度と知覚的類似性の両方をバランスさせる損失関数を実装し、現実的で物理的に妥当な風パターンを保証する。
• トランスファー学習とアーキテクチャ設計を活用し、多様な都市形態にわたる一般化を向上させ、訓練データへの過学習を低減する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのサーヴィエートモデルは、最小限の計算コストで複雑な都市環境における歩行者レベルの風速を正確に近似できるか？
• RQ2 cGANモデルは、高層ビルのクラスターや木々、地形変動を含む多様な都市形状にどの程度一般化できるか？
• RQ3 リアルタイム設計シナリオにおいて、完全なCFDシミュレーションと比較して、モデルの精度と解釈可能性はどの程度維持されるか？
• RQ4 極端な風況態や高層ビルのクラスターや高い基準風速を有する都市配置に対処する際、モデルの限界は何か？
• RQ5 トンネル、入り口、彫刻されたテラスなどの局所的都市特徴の組み込みが、モデルの性能および表現忠実度にどのように影響するか？

主な発見

• cGANモデルにより、CFDシミュレーション時間は最大2日間から1都市配置あたり10秒未塔に短縮され、リアルタイムの風圧快適性評価が可能になった。
• 風速予測の平均絶対誤差は±0.2 m/sであり、歩行者レベルの風圧快適性評価において許容可能な閾値1 m/s以内に収まっている。
• モデルは、入り口、ブリッジ、空洞構造を有する複雑な特徴を持つ建物を含む多様な都市形状においても、強固な性能を示した。
• 2つ以上の高層ビルを有する配置や、10m基準風速が5 m/sを超える都市では性能が低下しており、より広範な訓練データの必要性が示された。
• 訓練用CFDシミュレーションの粗いメッシュ化がアーチファクトを引き起こすことがあるが、モデルはそのようなアーチファクトを学習してしまうため、信頼性の高い一般化のためには高品質なシミュレーションデータの重要性が浮き彫りになった。
• モデルの予測結果は解釈可能であり、都市設計ワークフローへの統合に適しており、初期段階の設計において完全なCFDの実用的代替手段を提供する。