論文の概要: From large-eddy simulations to deep learning: A U-net model for fast urban canopy flow predictions

• arxiv url: http://arxiv.org/abs/2507.06533v1
• Date: Wed, 09 Jul 2025 04:25:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-10 17:37:43.466486
• Title: From large-eddy simulations to deep learning: A U-net model for fast urban canopy flow predictions
• Title（参考訳）: 大渦シミュレーションから深層学習へ:高速都市キャノピー流予測のためのU-netモデル
• Authors: Themistoklis Vargiemezis, Catherine Gorlé,
• Abstract要約: 本研究では,都市風況の高速かつ正確な予測のためのディープニューラルネットワーク(DNN)手法を提案する。 LESデータに基づいて訓練されたU-Netアーキテクチャを用い、7方向の合成都市構成を252個採用する。 50のテストケースのモデル評価では、全体の平均相対誤差が9.3%、乱流強度が5.2%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate prediction of wind flow fields in urban canopies is crucial for ensuring pedestrian comfort, safety, and sustainable urban design. Traditional methods using wind tunnels and Computational Fluid Dynamics, such as Large-Eddy Simulations (LES), are limited by high costs, computational demands, and time requirements. This study presents a deep neural network (DNN) approach for fast and accurate predictions of urban wind flow fields, reducing computation time from an order of 10 hours on 32 CPUs for one LES evaluation to an order of 1 second on a single GPU using the DNN model. We employ a U-Net architecture trained on LES data including 252 synthetic urban configurations at seven wind directions ($0^{o}$ to $90^{o}$ in $15^{o}$ increments). The model predicts two key quantities of interest: mean velocity magnitude and streamwise turbulence intensity, at multiple heights within the urban canopy. The U-net uses 2D building representations augmented with signed distance functions and their gradients as inputs, forming a $256\times256\times9$ tensor. In addition, a Spatial Attention Module is used for feature transfer through skip connections. The loss function combines the root-mean-square error of predictions, their gradient magnitudes, and L2 regularization. Model evaluation on 50 test cases demonstrates high accuracy with an overall mean relative error of 9.3% for velocity magnitude and 5.2% for turbulence intensity. This research shows the potential of deep learning approaches to provide fast, accurate urban wind assessments essential for creating comfortable and safe urban environments. Code is available at https://github.com/tvarg/Urban-FlowUnet.git
• Abstract（参考訳）: 都市キャノピーにおける風況の正確な予測は, 歩行者の快適性, 安全, 持続可能な都市デザインの確保に不可欠である。 風洞とLES(Large-Eddy Simulations)のような計算流体力学を用いた従来の手法は、高コスト、計算要求、時間要求によって制限されている。 本研究では,32CPU上での10時間から1LES評価までの計算時間を,DNNモデルを用いて1GPUで1秒に短縮し,都市風速の高速かつ正確な予測を行うディープニューラルネットワーク(DNN)手法を提案する。 LESデータに基づいてトレーニングされたU-Netアーキテクチャを使用し、252の合成都市構成を7方向(0^{o}$から90^{o}$ in 15^{o}$Increments)で採用する。 このモデルでは,都市キャノピー内の複数の高さにおいて,平均速度の大きさと乱流乱流強度の2つの重要な関心量を予測する。 U-netは、符号付き距離関数とそれらの勾配を入力として拡張された2Dビルディング表現を使用し、256\times256\times9$tensorを形成する。 さらに、Spatial Attention Module はスキップ接続による機能転送に使用される。 損失関数は、予測のルート平均二乗誤差とその勾配等級、L2正規化を組み合わせたものである。 50のテストケースのモデル評価では、全体の平均相対誤差が9.3%、乱流強度が5.2%である。 本研究は, 快適で安全な都市環境の構築に不可欠な, 高速で正確な都市風の評価を行うための深層学習手法の可能性を示す。 コードはhttps://github.com/tvarg/Urban-FlowUnet.gitで入手できる。

関連論文リスト

• Deep learning methods for modeling infrasound transmission loss in the middle atmosphere [5.842419815638353]
  我々は,世界規模でシミュレーションされた温度と風場からTLを予測しながら,予測誤差を最小限に抑えるために,最適化された畳み込みネットワークを開発した。 実装されたモデルは、周波数帯全体(0.1-3.2Hz)における平均誤差8.6dBのTLを予測し、現実的な大気シナリオを探索する。
  論文  参考訳（メタデータ） (2025-06-02T13:10:29Z)
• Multi-Source Urban Traffic Flow Forecasting with Drone and Loop Detector Data [61.9426776237409]
  ドローンが捉えたデータは、大規模都市ネットワークのための正確なマルチセンサー移動観測所を作ることができる。 単純なグラフベースモデルHiMSNetは、複数のデータモダリティと学習時間相関を統合するために提案されている。
  論文  参考訳（メタデータ） (2025-01-07T03:23:28Z)
• Application of Long-Short Term Memory and Convolutional Neural Networks for Real-Time Bridge Scour Prediction [0.0]
  我々は,過去のセンサモニタリングデータに基づいて,橋脚周辺の深度変化を予測するために,ディープラーニングアルゴリズムの力を利用する。 本研究では,Long Short-Term Memory (LSTM) モデルとConvolutional Neural Network (CNN) モデルの性能について検討した。
  論文  参考訳（メタデータ） (2024-04-25T12:04:36Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• FastFlow: AI for Fast Urban Wind Velocity Prediction [0.0]
  高忠実度数値シミュレーションにより典型的に行われる都市レイアウトのキャラクタリゼーションにおけるCNNの利用について述べる。 このモデルを,データ駆動型歩行者風速予測のための実用性の最初の実証に応用する。
  論文  参考訳（メタデータ） (2022-11-22T06:13:48Z)
• Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach [6.203371866342754]
  交通ネットワークにおける交通予測は、効果的な交通運営と管理にとって最重要事項である。 現在の研究では、長期的な交通予測(30分以上)は依然として難しい。 予測精度を保ちながら、トレーニングコストに対するスパーストレーニングを提案する。
  論文  参考訳（メタデータ） (2022-11-06T05:41:39Z)
• Accelerating Training and Inference of Graph Neural Networks with Fast Sampling and Pipelining [58.10436813430554]
  グラフニューラルネットワーク(GNN)のミニバッチトレーニングには、多くの計算とデータ移動が必要である。 我々は,分散マルチGPU環境において,近傍サンプリングを用いたミニバッチトレーニングを行うことを支持する。 本稿では,これらのボトルネックを緩和する一連の改良点について述べる。 また,サンプリングによる推論を支援する実験分析を行い,試験精度が実質的に損なわれていないことを示す。
  論文  参考訳（メタデータ） (2021-10-16T02:41:35Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

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。