[论文解读] Towards Sustainable Architecture: 3D Convolutional Neural Networks for Computational Fluid Dynamics Simulation and Reverse DesignWorkflow

J. Musil, Jakub Knir+2 more|arXiv (Cornell University)|Nov 25, 2019

Wind and Air Flow Studies被引用 6

一句话总结

本文提出一种3D残差U-Net卷积神经网络，可在建筑领域实现近实时的稳态湍流风场预测，将计算流体动力学（CFD）模拟速度提升三个数量级。该模型还可反向运行，从目标风场模式生成建筑体量，支持交互式、可持续的设计探索。

ABSTRACT

We present a general and flexible approximation model for near real-time prediction of steady turbulent flow in a 3D domain based on residual Convolutional Neural Networks (CNNs). This approach can provide immediate feedback for real-time iterations at the early stage of architectural design. This work-flow is then reversed and offers a designer a tool that generates building volumes based on target wind flow.

研究动机与目标

• 解决传统CFD模拟在建筑早期设计阶段存在的计算瓶颈问题。
• 通过用数据驱动的神经网络近似替代缓慢的CFD求解器，实现在设计迭代过程中的实时反馈。
• 将训练好的模型反向使用，生成能够实现期望风场结果的建筑形态，支持可持续设计。
• 通过将快速模拟与逆向设计整合到单一深度学习框架中，提升设计效率。
• 利用灵活可扩展的架构，在多样化几何形态和输入尺寸上实现良好泛化。

提出的方法

• 使用CAD和视觉编程生成3,500个3D城市几何样本，限定在256m × 128m × 64m的域内。
• 以1m分辨率对所有几何体进行体素化处理，生成3D二值占据网格作为网络输入。
• 使用OpenFOAM模拟稳态风场，生成速度矢量场（x、y、z分量）作为真实值。
• 训练一个包含8个编码器和7个解码器层的3D残差U-Net，每个层分别使用4×4×4和3×3×3的卷积核，步长分别为2和1。
• 采用门控残差块并结合ELU激活函数，以提升特征学习能力，并增强对未见几何形态的泛化能力。
• 通过独立的输出头（3D与1D通道）在前向（几何→风场）和反向（风场→几何）两个方向上联合训练模型。

实验结果

研究问题

• RQ1 深度3D卷积神经网络能否在建筑领域实现对稳态湍流风场的高精度、近实时预测？
• RQ2 该模型在训练分布之外的未见几何形态和输入尺寸上的泛化能力如何？
• RQ3 同一训练模型在多大程度上可有效反向运行，以从目标风场模式生成建筑体量？
• RQ4 反向模型能否通过引导形态生成以实现期望气动性能，从而支持交互式、可持续设计？
• RQ5 建筑多样性与数据质量对模型在实际设计应用中性能与泛化能力的影响如何？

主要发现

• 该模型的风速场预测速度比传统CFD求解器快约1,000倍，且在1,000个训练周期内保持低测试损失。
• 前向模型在训练过程中表现稳定且持续提升，均方误差损失持续下降，表明具有良好的收敛性与泛化能力。
• 反向模型成功从目标风场模式生成合理可行的建筑体量，已在交互式Grasshopper和Flask可视化系统中得到验证。
• 采用残差块与ELU激活函数显著增强了特征表征能力，使模型能够泛化至大于训练样本的几何形态。
• 模型对未见的城市形态具有良好的泛化能力，表明其对建筑变异具有鲁棒性，并具备支持设计探索的可扩展性。
• 该框架通过支持实时反馈与逆向设计，实现了交互式设计工作流，减少了对大量模拟运行的依赖。