論文の概要: Data-efficient rapid prediction of urban airflow and temperature fields for complex building geometries
- arxiv url: http://arxiv.org/abs/2503.19708v1
- Date: Tue, 25 Mar 2025 14:36:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:53:38.934826
- Title: Data-efficient rapid prediction of urban airflow and temperature fields for complex building geometries
- Title（参考訳）: 複雑な建物構造のための都市気流・温度場のデータ効率の高速予測
- Authors: Shaoxiang Qin, Dongxue Zhan, Ahmed Marey, Dingyang Geng, Theodore Potsis, Liangzhu Leon Wang,
- Abstract要約: 本稿では,多方向距離特徴(MDDF)と局部訓練を組み合わせた新しい枠組みを提案する。
局所的なフーリエニューラル演算子 (Local-FNO) モデルでは, フル3次元風速と温度予測を1分以内で生成する。
風速 0.3 m/s の絶対誤差と未確認の都市構成温度 0.3$C の絶対誤差から,本手法は強力な一般化能力と実用的な都市利用の可能性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Accurately predicting urban microclimate, including wind speed and temperature, based solely on building geometry requires capturing complex interactions between buildings and airflow, particularly long-range wake effects influenced by directional geometry. Traditional methods relying on computational fluid dynamics (CFD) are prohibitively expensive for large-scale simulations, while data-driven approaches struggle with limited training data and the need to model both local and far-field dependencies. In response, we propose a novel framework that leverages a multi-directional distance feature (MDDF) combined with localized training to achieve effective wind field predictions with minimal CFD data. By reducing the problem's dimensionality, localized training effectively increases the number of training samples, while MDDF encodes the surrounding geometric information to accurately model wake dynamics and flow redirection. Trained on only 24 CFD simulations, our localized Fourier neural operator (Local-FNO) model generates full 3D wind velocity and temperature predictions in under one minute, yielding a 500-fold speedup over conventional CFD methods. With mean absolute errors of 0.3 m/s for wind speed and 0.3 $^{\circ}$C for temperature on unseen urban configurations, our method demonstrates strong generalization capabilities and significant potential for practical urban applications.
- Abstract（参考訳）: 建物形状のみに基づく風速や気温などの都市の微気候を正確に予測するには、建物と気流の間の複雑な相互作用、特に方向幾何学の影響による長距離の覚醒効果を捉える必要がある。
計算流体力学(CFD)に依存する従来の手法は、大規模シミュレーションでは明らかに高価であるが、データ駆動型アプローチは限られた訓練データと局所的および遠距離的依存関係の両方をモデル化する必要がある。
そこで本研究では,局部訓練と組み合わせた多方向距離特徴(MDDF)を利用して,CFDデータを最小限に抑えた効率的な風速予測を行う手法を提案する。
問題の次元を小さくすることで、局所的なトレーニングはトレーニングサンプルの数を効果的に増加させ、MDDFは周囲の幾何学情報をエンコードしてウェイクダイナミクスとフローリダイレクトを正確にモデル化する。
24 CFD シミュレーションでのみ訓練した局所フーリエニューラル演算子 (Local-FNO) モデルでは,風速と温度の予測を1 分以内で生成し,従来の CFD 法よりも500 倍の高速化を実現した。
風速 0.3 m/s の絶対誤差と未確認市街地の温度 0.3 $^{\circ}$C の絶対誤差から, 本手法は, 都市利用における強力な一般化能力と有意義な可能性を示す。
関連論文リスト
- Predicting Air Temperature from Volumetric Urban Morphology with Machine Learning [0.0]
本稿では,都市などの大規模データセットに対して,効率的にかつ高速に動作するVoxelにCityGMLデータを変換する手法を提案する。
複数の都市の3D都市データとそれに対応する気温データを用いて、機械学習モデルを開発する。
論文 参考訳（メタデータ） (2025-01-16T11:10:38Z) - Modeling Multivariable High-resolution 3D Urban Microclimate Using Localized Fourier Neural Operator [2.148526586778159]
従来の計算流体力学シミュレーションでは、速度と温度が計算に高価である。
最近の機械学習の進歩は、都市部の微小気候シミュレーションを加速するための有望な代替手段を提供する。
そこで我々は,局所学習,幾何符号化,パッチオーバーラップを用いた局所フーリエニューラル演算子(Local-FNO)モデルを提案する。
CFDソルバの50倍近い速度で、単一の32GB GPU上で、1億5000万のフィーチャディメンションを持つ高解像度の予測を提供する。
論文 参考訳（メタデータ） (2024-11-18T07:38:25Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Fourier neural operator for real-time simulation of 3D dynamic urban
microclimate [2.1680962744993657]
実時間3次元都市風洞シミュレーションにフーリエニューラル演算子(FNO)ネットワークを適用した。
数値実験により、FNOモデルが瞬時空間速度場を正確に再構成できることが示されている。
さらに,風向の異なる未確認データに基づくFNOモデルの評価を行い,FNOモデルが風向の異なるデータに対して良好に一般化可能であることを示す。
論文 参考訳（メタデータ） (2023-08-08T02:03:47Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Demystifying the Data Need of ML-surrogates for CFD Simulations [3.0168882791480978]
客車室内の温度分布を予測するためのMLに基づく代理モデルを提案する。
その結果, トレーニングサイズが2000から200に減少しても, 予測精度は高く, 安定していることがわかった。
トレーニングには50個のCFDシミュレーションしか使われていないが、MLサロゲートによって予測される温度傾向はCFDシミュレーションの結果とよく一致している。
論文 参考訳（メタデータ） (2022-05-05T04:37:59Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow
in 3D Heterogeneous Porous Media [1.4050836886292868]
物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。
モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。
このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
論文 参考訳（メタデータ） (2021-04-30T02:15:01Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳（メタデータ） (2021-01-19T16:14:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。