[论文解读] 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 7

一句话总结

本文提出一种条件生成对抗网络（cGAN），用于加速复杂城市环境中行人风舒适度的估算，将计算流体动力学（CFD）模拟时间从数天缩短至数秒，同时保持高精度（平均误差±0.2 m/s）。该模型可实现实时、可解释的风场近似，适用于城市设计的早期阶段。

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.

研究动机与目标

• 解决由于传统CFD模拟计算成本过高，导致风微气候评估难以融入早期城市设计的问题。
• 开发一种数据驱动、实时的行人风舒适度估算工作流程，适用于复杂的城市形态。
• 通过增强对局部城市特征（如出入口、隧道、树木和地形）的表征能力，改进现有代理模型。
• 通过提供快速、可解释且精确的风场预测，促进城市规划者与设计者对模型的实际应用。

提出的方法

• 采用条件生成对抗网络（cGAN）学习从城市形态输入到行人尺度风速场的映射关系。
• 在包含高层建筑、树木和地形特征的多样化城市构型CFD模拟数据集上训练cGAN。
• 使用包含建筑几何形状、地形和植被信息的条件输入，引导风场生成。
• 优化生成器与判别器网络，以生成与完整CFD模拟相比误差最小的高保真风场近似。
• 设计损失函数，平衡像素级精度与感知相似性，确保风场模式既真实又符合物理规律。
• 利用迁移学习与网络架构设计，提升在多样化城市形态上的泛化能力，减少对训练数据的过拟合。

实验结果

研究问题

• RQ1 深度学习代理模型能否以极低计算成本准确近似复杂城市环境中行人尺度的风速？
• RQ2 cGAN模型在包括高层建筑群、树木和地形变化在内的多样化城市形态上泛化能力如何？
• RQ3 在实时设计场景中，与完整CFD模拟相比，该模型在精度与可解释性方面表现如何？
• RQ4 该模型在处理极端风况或高层建筑群密集、参考风速较高的城市构型时存在哪些局限性？
• RQ5 引入局部城市特征（如隧道、出入口、雕刻式平台）对模型性能与表征保真度有何影响？

主要发现

• cGAN模型将CFD模拟时间从最多2天缩短至每个城市构型不到10秒，实现风舒适度的实时评估。
• 风速预测的平均绝对误差为±0.2 m/s，低于行人风舒适度评估可接受阈值1 m/s。
• 模型在多样化城市形态中表现稳健，包括具有复杂特征（如出入口、桥梁和空腔结构）的建筑。
• 在存在两个或以上高层建筑的构型中，以及平均10米参考风速超过5 m/s的城市中，性能下降，表明需扩展训练数据。
• 训练CFD模拟中粗略的网格划分会引入伪影，而模型可学习这些伪影，凸显高质量模拟数据对可靠泛化的重要性。
• 模型预测结果具有可解释性，适合集成到城市设计工作流程中，为早期设计阶段提供了全CFD模拟的实用替代方案。