[논문 리뷰] End-to-end data-driven prediction of urban airflow and pollutant dispersion

Nishant Kumar, Franck Kerhervé외 2명|arXiv (Cornell University)|2026. 03. 18.

Wind and Air Flow Studies인용 수 0

한 줄 요약

논문은 SPOD, 자동인코더, LSTM 예측, CNN 기반 속도-스칼라 매핑을 사용하여 LES 데이터로 학습된 모듈형 엔드투엔드 데이터 기반 축약 모델로 도시 캐니언의 순간 및 장기 대류 및 오염 물질 확산을 예측하는 모듈형 엔드투엔드 데이터 기반 축약 모델을 제시한다.

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.

연구 동기 및 목표

• 도시 성장과 기후 변화 압력 하에서 의사결정을 위한 도시 기류 및 오염 확산의 빠르고 정확한 예측을 동기화한다.
• 실시간 또는 빠른 매개변수 연구를 가능하게 하면서 주요 물리 법칙을 보존하는 모듈형 엔드-투-엔드 프레임워크를 개발한다.
• spectral POD와 비선형 차원 축소 및 비선형 시간 예측을 결합하여 다스케일 도시 흐름 역학을 다룬다.
• 스키밍 플로우 스트리트 캐니언에서 순간적인 흐름장과 장기 통계 모두를 예측하는 능력을 시연한다.

제안 방법

• LES 데이터의 spectral proper orthogonal decomposition (SPOD)을 통해 spectrally coherent 흐름 구조를 추출하는 축약Basis를 구성한다.
• dense autoencoder로 SPOD 계수를 압축해 컴팩트한 잠재 표현을 얻는다.
• LSTM 네트워크로 잠재 공간을 예측해 시간 진화를 예측한다.
• CNN을 사용하여 예측된 속도장을 스칼라 필드로 매핑해 흐름장을 재구성하고 오염 물질 농도를 추정한다.
• 이 네 가지 구성요소를 엔드-투-엔드 데이터 기반 ROM으로 통합해 장기간에 걸친 순간적 및 통계적으로 정상한 필드를 재현할 수 있게 한다.

실험 결과

연구 질문

• RQ1 SPOD가 도시 캐니언 흐름에서 응집 구조를 효과적으로 분리하고 축약 모델링을 위한 간결한 특징 세트를 제공할 수 있는가?
• RQ2 비선형 자동인코더가 SPOD 계수를 sufficiently 압축해 예측 정확도를 유지하며 저차원 잠재 공간을 얻을 수 있는가?
• RQ3 LSTM 기반 예측이 장기 예측을 위해 잠재 공간의 비선형 시간 진화를 정확히 예측할 수 있는가?
• RQ4 CNN이 예측된 속도장을 오염 물질 농도 필드로 신뢰성 있게 매핑해 예상 흐름에서 확산 패턴을 재현할 수 있는가?

주요 결과

• 프레임워크는 도시 캐니언 흐름의 순간적 및 장기 수평 통계 필드를 모두 성공적으로 예측한다.
• SPOD와 비선형 자동인코딩의 차원 축소가 시간 예측에 적합한 컴팩트한 잠재 공간을 산출한다.
• 잠재 공간에서의 LSTM 기반 예측이 비선형 시간 역학을 포착하고 속도장의 정확한 재구성으로 이어진다.
• 예측된 속도장에서 농도까지의 CNN 매핑이 ROM에서 오염 확산 패턴을 효과적으로 재구성한다.
• 모듈형 아키텍처가 높은 충실도 LES 결과를 재현하면서 계산 비용을 줄이는 데 효과적임을 보여준다.