建造环境课题组在中科院SCI一区期刊 Sustainable Cities and Society（JCR Q1 IF 11.7）上发表了研究论文，介绍了一种应用图神经网络对城市气流及污染物扩散进行高效预测的方法。

 

题目: 一种用于城市气流及气载污染物扩散高效稳态预测的两阶段CFD-GNN方法（https://doi.org/10.1016/j.scs.2024.105607）该研究获得国家重点研发计划、国家自然科学基金、香港政府STEM教授计划资助

作者：赵润民，刘素梅（通讯作者），刘俊杰，姜楠，陈清焰

 

研究亮点：

1. 使用图神经网络将稳态RANS解直接重构为大涡模拟时均解；

2. 在保持计算效率的同时，不再受限于稳态RANS的固有缺陷；

3. 预测过程比高精度大涡模拟快数千倍；

4. 在未见的城市布局中展现较好的泛化性。

 

 

摘要：

城市设计需要准确预测平均风速、阵风风速和污染物扩散。虽然大涡模拟(LES)等计算流体动力学(CFD)模型能提供准确预测，但计算成本高昂。稳态雷诺平均纳维-斯托克斯方程(稳态RANS)计算速度快，但由于模型固有缺陷而不准确。本研究提出了一种基于CFD-图神经网络(GNN)的两阶段框架，用于高效稳态预测。CFD求解器提供初始状态，然后GNN在单次推理步骤中直接将CFD输出修正为高保真度目标，绕过了稳态RANS的缺陷。参数化生成的城市案例的LES结果提供了训练数据。使用k-ε模型的稳态RANS为GNN提供了信息丰富的初始状态(称为KE-GNN)。细节较少的初始化增加了预测难度。建筑密度和高度的不均匀采样引入了数据集偏差，提高了模型专用性但降低了泛化能力。对于一个实际城市案例，采用粗网格的KE-GNN与精细LES结果达成了相当程度的一致，且速度快了数千倍。在相同的粗网格上，KE-GNN比严格收敛的稳态RANS快7倍，比欠解析的LES快280倍。

 

背景：

城市规划与建设面临众多挑战，其中优化管理建筑周边空气流动以营造健康、舒适的室外环境尤为重要。高层建筑可在地面产生强风，给行人造成不适。有害空气污染物可在城市户外区域长距离传播，并可能进入室内空间，对公共健康构成风险。准确高效地预测城市风流和污染物传输对于优化设计以最小化这些不利影响至关重要。

大涡模拟（LES）通过解析城市风中的高频脉动以提供高精度解。然而，所需的时空分辨率会产生巨大的计算成本。非稳态雷诺平均纳维-斯托克斯方程（URANS）通过使用集合平均湍流模型降低了计算量，但只能得到具有单峰频谱的低频脉动，无法捕捉关键流动特征，并显著低估湍流统计量。此外，这些非稳态模拟技术需要足够长的模拟时间来获得时间平均的统计稳态解以用于工程决策。

与非稳态方法不同，稳态RANS（稳态RANS）通过直接求解稳态解进一步降低了计算成本，但稳态假设可能会进一步降低精度。同时，稳态RANS无法处理多尺度运动，且其控制方程存在固有缺陷。这意味着微小的高阶误差可能导致平均流场误差的严重放大，进而导致不同物理量的准确性存在冲突。因此，在稳态RANS【框架内】进行模型修正难以有效应对这一根本上的困难。

一种替代方法是在稳态RANS【框架外】进行修正。类比图像处理，对于城市预测，可以以后处理的方式重构稳态RANS的输出，以达到LES级别的精确结果。本研究设计了一种两阶段CFD-GNN框架。它获得初始CFD输出（第1阶段），并使用GNN（第2阶段）通过单次推理步骤修正这些输出。各种城市案例的LES模拟生成了GNN训练的目标数据。通过将其应用于实际城市案例并与传统CFD模拟（包括稳态RANS和LES）进行比较，进一步评估了所获得的CFD-GNN模型的泛化能力。

主要成果：

1. 一种两阶段CFD-GNN预测框架。

 

图 1 主要方法概览。CFD-GNN框架由红色框标出，该两阶段预测过程首先由稳态CFD初始化获得M^I，再由GNN预测阶段获得M^P。LES提供目标M^T。M^I-M^T数据对（由灰色框标出）为预先准备以支持重复训练。GNN训练通过监督M^P和M^T的差异来驱动。

 

 

图 2  (a) GNN架构，它从初始状态M^I获取预测状态M^P，(b) GNN编码器将CFD网格数据编码为图结构的数据，(c) GNN处理器在图结构上进行信息传递以聚合每个节点的邻居节点信息

2. 基于城市规划参数（FAR、BCR），参数化生成多样的城市布局以供训练

 

图 3城市算例的参数化生成，最终获取M^I-M^T数据对

 

图 4 城市布局的设计参数四象限图，从稀疏到密集、从低层到高层。

3. 使用训练得的模型预测实际城市问题，在准确性与效率上均展现出相较标准稳态RANS的显著优势。

 

 

 

图 4 标准稳态RANS、CFD-GNN与LES的云图对比

 

 

图 5 标准稳态RANS、CFD-GNN、LES与实测结果（黑点）对比

 

表 1 标准稳态RANS、CFD-GNN与LES的风速、湍动能、浓度的均方根误差对比

 

 

表 2 标准稳态RANS、CFD-GNN与LES的计算时间对比

 

 

结论：

1、基于初始网格数据，GNN能够在单次推理步骤中成功获得与时间平均LES高度一致的预测结果，包括平均风速、湍动能和浓度。

2、当数据集未充分体现不同建筑布局类别时，可能会引入数据集采样偏差。数据集的准备过程中，可以楼面面积率（FAR）和建筑覆盖率（BCR）作为简单而有效的指标对建筑布局进行分类。

3、在泛化案例(AIJ案例M)中，KE-GNN能很好地上采样到测试网格，并与高分辨率LES结果达成一致，而后者需要数千倍的计算时间。

 

引用格式：

Zhao R, Liu S, Liu J, Jiang N, Chen Q. A two-stage CFD-GNN approach for efficient steady-state prediction of urban airflow and airborne contaminant dispersion[J]. Sustainable Cities and Society, 2024: 105607.

 

原文链接：https://doi.org/10.1016/j.scs.2024.105607

 

 

稿件编辑：赵润民

审核人：刘俊杰

田媛

于欣宇