[论文解读] Adversarially trained LSTMs on reduced order models of urban air pollution simulations

César Quilodrán Casas, Rossella Arcucci+2 more|arXiv (Cornell University)|Jan 5, 2021

Wind and Air Flow Studies参考文献 17被引用 13

一句话总结

本文提出了一种在基于 Proper Orthogonal Decomposition (POD) 的城市空气污染 CFD 模拟的降阶模型（ROMs）上进行对抗训练的 LSTM 模型，以提升预测精度与稳定性。通过将对抗训练与主成分分析（PCA）降维的状态向量相结合，该方法实现了更快、更鲁棒的预测，能够有效抵抗随时间推移的发散现象，在验证数据上的误差降低幅度最高达 56%，同时保持接近实时的推理速度。

ABSTRACT

This paper presents an approach to improve computational fluid dynamics simulations forecasts of air pollution using deep learning. Our method, which integrates Principal Components Analysis (PCA) and adversarial training, is a way to improve the forecast skill of reduced order models obtained from the original model solution. Once the reduced-order model (ROM) is obtained via PCA, a Long Short-Term Memory network (LSTM) is adversarially trained on the ROM to make forecasts. Once trained, the adversarially trained LSTM outperforms a LSTM trained in a classical way. The study area is in London, including velocities and a concentration tracer that replicates a busy traffic junction. This adversarially trained LSTM-based approach is used on the ROM in order to produce faster forecasts of the air pollution tracer.

研究动机与目标

• 开发一种快速、准确的代理模型，用于基于 CFD 模拟的实时城市空气污染预测。
• 解决标准 LSTM 基于 ROM 模型在预测超出训练数据范围时产生的误差传播与预测发散问题。
• 通过将对抗训练与基于 LSTM 的 ROM 模型相结合，提升预测的鲁棒性与物理合理性。
• 实现在远低于全尺寸 CFD 模拟计算成本的前提下，实现接近实时的预测。
• 构建一种与数据无关的框架，适用于多种 CFD 变量与具备足够数据的模拟场景。

提出的方法

• 基于非结构化网格的高维 CFD 模拟数据，通过 Proper Orthogonal Decomposition (POD) 构建降阶模型（ROMs）。
• POD 过程通过截断主成分（PCs）来降低维度，同时保留主导方差，从而实现高效计算。
• 使用 N 个先前时间步作为输入，训练一个标准 LSTM 模型以预测下一个时间步的主成分系数。
• 通过引入一个判别器网络，应用对抗训练，使其能够区分真实 ROM 状态与 LSTM 生成的预测结果，损失函数采用二元交叉熵损失。
• 生成器（即 LSTM）通过训练以欺骗判别器，从而提升长期预测结果的真实感与稳定性。
• 整个框架采用端到端训练，生成器使用分段均方误差损失，判别器使用对抗损失。

实验结果

研究问题

• RQ1 对抗训练能否提升基于降阶模型的城市空气污染 LSTM 预测的长期稳定性和准确性？
• RQ2 与标准监督训练相比，对抗训练在减少随时间推移的预测发散方面表现如何？
• RQ3 对抗训练的 LSTM 在 CFD 基于空气质量模拟中，能在多大程度上保持物理现实性？
• RQ4 与全尺寸 CFD 模拟相比，该方法在计算效率上提升了多少？
• RQ5 该框架能否在不同变量（如速度、示踪剂浓度）和不同模拟类型之间实现泛化？

主要发现

• 与标准 LSTM（LSTM^{classic}）相比，对抗训练的 LSTM（LSTM^{adv}）在验证数据中对示踪剂浓度的预测误差最高降低了 56.29%。
• 对于速度分量，误差降低范围为 21.07% 至 51.39%，在 128 个主成分时改善最为显著。
• 在 25 步预测后，标准 LSTM 明显偏离真实状态，而对抗训练的 LSTM 成功保持了物理流动模式，且预测结果仍接近真实状态。
• 该方法的预测速度比全尺寸 CFD 模拟快了 4 个数量级，从而实现了接近实时的应用。
• 判别器有效约束了 LSTM 的预测输出，减少了分布外漂移，提升了模型鲁棒性。
• 该框架在不同变量（速度与示踪剂）以及不同 PCA 截断水平（64 与 128 个主成分）下均表现出一致的性能。