清华大学 工程物理系, 北京 100084
收稿日期：2022-12-02
基金项目：国家重点研发计划(2022YFC2602400); 国家自然科学基金项目(72174102)
作者简介：李聪健(1998—), 男, 硕士研究生
通讯作者：刘奕, 副研究员, E-mail: liuyi@tsinghua.edu.cn
摘要：近年来受大风天气影响, 树倒墙塌、高空坠物、广告牌散落等情况时有发生, 严重影响社区居民安全, 迫切需要识别出大风天气下社区内重点危险区域并加以防范。该文以北京市石景山区某社区风场为例进行场景建模, 利用数值模拟与机器学习寻找社区特征点, 完成特征点风速数据到风场数据的预测。以10个特征点数据预测6 681个点的风场数据为例, 基于7 917个训练风场、2 026个测试风场的模型训练测试结果表明：东西方向1 m/s以上速度的预测值平均相对误差为5.8%, 南北方向1 m/s以上速度的预测值平均相对误差为6.2%。采用该方法可以快速获得满足精度要求的社区背景风场以指导社区风险防范、应急决策与救援, 对于保障社区安全具有重要意义。
关键词：数值模拟神经网络k-means聚类流场重构
Fast reconstruction of a wind field based on numerical simulation and machine learning
LI Congjian, GAO Hang, LIU Yi
Department of Engineering Physics, Tsinghua University, Beijing 100084, China
Abstract: Objective In recent years, under the influence of strong wind, trees and walls collapse, objects fall, and other situations occur from time to time, which seriously affect the safety of community residents. In traditional emergency rescue, the background wind field at the disaster site is unknown, and the accuracy of accident development assessment is affected. In the case of fire, gas leakage, strong wind, and other disasters, decision-makers and rescue teams cannot accurately locate the dangerous areas in the community because of their inability to rapidly obtain accurate background wind field information, which affects the accuracy of the judgment of the disaster scope and development trend. Key dangerous areas in the community under strong wind need to be identified. Methods In this study, the wind field of a community in the Shijingshan District of Beijing was taken as an example to conduct scene modeling. To generate the database of the community wind field, the wind field was generated by OpenFOAM, and a shell script was used for a batch of simulations. The speed at the feature points obtained by k-means clustering served as the input, and the wind field served as the output to train the neural network. The selected community feature points could represent the wind field information of the community. The feature point selection and neural network modeling were continuously optimized based on the training and prediction results until the accuracy met the requirements. Results Taking the field data of 6 681 points predicted by 10 feature points as an example, the model training test results of 7 917 training wind fields and 2 026 testing wind fields were as follows: The average relative errors of the predicted values of speeds above 1 m/s in the x- and y-axes were 5.8% and 6.2%, respectively. Among them, the average relative error of model prediction between 1 m/s and 2 m/s is 11.9%, for model prediction between 2 m/s and 5 m/s was 6.0%, for model prediction between 5 m/s and 10 m/s was 3.2%, and for model prediction above 10 m/s was 3.5%. Conclusions Compared with the numerical simulation technology, the neural network model can rapidly generate the background wind field of the community based on the field location data. Compared with the time of the numerical simulation, the time of the neural network model to generate a field is significantly reduced. Unlike the existing neural network model, the proposed model takes actual community points as the feature points for model training and prediction, enabling the installation of sensors and the prediction of real-time wind fields. Therefore, people can organize risk prevention and emergency rescue according to the background wind field, which is of great significance for maintaining community safety.
Key words: numerical simulationneural networkk-means clusteringreconstruction of the flow field
近年来各类社区安全事件频频发生[1]。以北京市为例，受大风天气影响，树倒墙塌、高空坠物、广告牌散落等情况时有发生，严重影响居民安全。大风天气的预报预警一般针对全城，社区范围内难以识别危险区域，风险防范难度大[2]。同时，社区内火灾、燃气泄漏等突发事件数量近年来维持在较高水平[3]，如2010年上海社区火灾事故、2011年北京社区燃气爆炸事件、2018年杭州社区纵火事件，这些突发事件对社区居民安全造成了重大影响。
针对社区安全事件频发的现状，传统的应急响应模式由于缺乏灾害现场的背景流场情况，影响事故发展推演及影响范围评估[4]。在火灾、燃气泄漏、大风等灾害情境下，决策者和救援队伍由于无法快速获得准确的背景流场信息而无法准确定位社区危险区域[5]。因此，快速获得满足精度要求的社区实际流场，并根据背景流场指导社区风险防范、应急决策与救援，对于保障社区安全具有重要意义。
在社区风险防范、应急决策与救援领域，传统的数值模拟技术计算时间长，在火灾、燃气泄漏、大风等灾害情境下无法做到快速应对[6]。近年来，随着人工智能技术的发展，机器学习与数值计算相结合的方法得到了快速发展[7-10]。对于涉及海量数据的数值模拟研究而言，神经网络模型能从大量模拟结果中学习到无法人工提取的统计规律，可以弥补数值模拟计算效率低、消耗资源大等弊端。深度神经网络是指具有2个或2个以上隐藏层的神经网络模型，相较于传统神经网络，其更多的隐藏层为模型提供了更强的抽象能力。
众多****将各类神经网络模型与流场结合，开展了大量研究。Bhatnagar等[11]将卷积神经网络运用到低速翼型的速度场和压力场估计中，使用计算流体力学结果作为训练集，为高精度的基于深度学习的流场预测提供了参考。Sekar等[12]基于大量仿真数据，利用卷积神经网络建立了深度学习模型对翼型绕流进行估计。Wu等[13]使用生成对抗网络来估计流场，该模型将翼型参数映射到翼型压力场，但是存在训练稳定性问题。Memarzadeh等[14]基于长短时记忆神经网络模型进行风速预报，将实测风向和气象参数作为输入变量预测风速值。大量神经网络模型的研发[15-16]为流场快速重构提供了参考。
本研究以社区风场为例，通过数值模拟与神经网络的结合形成社区风场特征点提取方法。利用提取的特征点风速及风场数据训练神经网络模型，实现特征点风速到风场数据的预测，从而快速获得满足精度要求的社区背景风场，辅助危险区域的识别。具体研究步骤如下：
1) 利用数值模拟技术构建社区风场数据库。建立社区三维模型，使用OpenFOAM完成单次模拟，获得社区风场，通过shell脚本设置不同的入流风速条件，批量运行模拟算例，提取并存储稳定风场数据构建社区风场数据库。
2) 利用聚类算法选取一定数量的社区特征点。选取的特征点可以表征该社区风场信息，并根据神经网络模型的训练与预测结果不断优化特征点选取结果。
3) 利用神经网络模型完成特征点数据到风场数据的训练与预测。根据训练与预测的结果优化该社区特征点选取结果，直至神经网络模型的预测精度及特征点数目达到预定要求。
1 构建流场数据集1.1 场景建模以北京市石景山区某社区为研究对象。根据该社区三维实景图和建筑平面图，建立社区场景三维模型。该模型三维信息分别为长600 m、宽300 m、高120 m，三维实景图如图 1所示，场景三维建模图如图 2所示。
 |
| 图 1 某社区三维实景图 |
| 图选项 |
 |
| 图 2 某社区三维建模图 |
| 图选项 |
1.2 数值模拟采用OpenFOAM进行数值模拟，具体包括生成计算网格、定义物理模型、设置边界条件、设置求解控制、数值计算与后处理5个步骤[17]。
生成计算网格包括构造面特征、生成背景网格、生成整体网格3个部分：构造面特征用于提取三维建模的几何特征，为生成模型整体网格作准备；背景网格用于定义计算域尺寸及网格大小；最后通过网格切割与网格贴合生成计算区域整体网格。每个网格的大小为5 m×5 m×5 m，边界条件如表 1所示。计算区域整体网格划分如图 3所示。
表 1 网格边界条件信息表
| 边界面 | 类型 |
| 风入口面 | patch |
| 风出口面 | patch |
| 地面 | wall |
| 其他面 | symmetry |
表选项
 |
| 图 3 某社区计算区域整体网格划分 |
| 图选项 |
计算过程中，建筑物附近的计算区域需要更加精确的计算来保证结果的准确性，通过面加密的方式对几何表面相交的网格进行加密。网格细节展示如图 4所示。
 |
| 图 4 某社区网格划分细节 |
| 图选项 |
本算例计算的是不可压缩湍流流动，未考虑传热，采用k-ε湍流模型[18-19]。
本算例采用SimpleFoam求解器，迭代计算500步。SimpleFoam为OpenFOAM中一个基于有限体积法的用于求解稳态不可压缩Newton流体Navier-Stokes方程的求解器。在SimpleFoam中，压力和速度的耦合通过SIMPLE算法进行计算，且没有考虑其他体积力，如重力等。
后处理步骤通过paraview软件完成，可实现流场计算结果的可视化。社区风场计算结果示例如图 5所示。
 |
| 图 5 风场计算结果示例图 |
| 图选项 |
按照上述数值模拟步骤设置模板算例，编写shell脚本重复调用模板算例完成批量仿真任务。shell脚本依次实现以下功能：模板算例定位、网格生成、参数修改赋值、算例执行、风场提取、删除中间过程文件。全部算例运行完毕后风场数据集构建完成，最后从中提取的测试集与训练集风场共9 943个。
2 流场特征点选取2.1 标准差计算以社区风场平面为研究对象，针对场内每个点的速度数据，分别计算其东西方向(x方向)和南北方向(y方向)的标准差，加和作为该点的最终标准差。计算得到的6 681个网格点的标准差范围在0.34~14.82 m/s。标准差统计信息如表 2所示，标准差云图如图 6所示。
表 2 标准差统计信息
| 标准差范围/(m·s-1) | 点的数量/个 | 占比/% |
| 0.34~5 | 378 | 5.66 |
| 5~8 | 1 115 | 16.69 |
| 8~10 | 1 837 | 27.50 |
| 10~12 | 2 664 | 39.87 |
| 12~14.82 | 687 | 10.28 |
表选项
 |
| 图 6 社区风场标准差云图 |
| 图选项 |
不同的建筑布局及不同的入流风速，会产生不同的标准差分布，因此可以选择不同大小的标准差所对应的点作为特征点，用这些特征点表示区域建筑布局信息及入流风速信息，进而通过点的速度预测区域场的速度。
2.2 特征点选取采用k-means聚类算法对6 681个点的标准差聚类，聚类前将点的坐标与其标准差一一对应，并将标准差划分为3级：1级指标对应小标准差0~9.1 m/s，2级指标对应中标准差9.1~10.2 m/s，3级指标对应大标准差10.2~14.8 m/s。
对1级标准差内的所有点进行坐标聚类，得到3个聚类中心；对2级标准差内的所有点进行坐标聚类，得到3个聚类中心；对3级标准差内的所有点进行坐标聚类，得到4个聚类中心。以聚类中心处的速度为输入，以风场整体速度为输出进行神经网络的训练及预测，并根据训练与预测的结果调整标准差级别划分标准与相应的聚类中心位置，直至网络训练与预测结果的精度满足要求。聚类中心点即为特征点。
最终选取的10个特征点的标准差大小、坐标值(x，y)及索引号信息如表 3所示。
表 3 特征点信息表
| 标准差级别 | 特征点编号 | 标准差/(m·s-1) | 坐标值/m | 索引号 |
| 1 | 1 | 2.984 | (95.4, 175.7) | 4 994 |
| 2 | 4.633 | (405.5, 70.7) | 2 813 | |
| 3 | 8.752 | (222.5, 122.5) | 3 879 | |
| 2 | 4 | 9.539 | (422.5, 192.5) | 5 355 |
| 5 | 10.019 | (322.5, 2.5) | 1 274 | |
| 6 | 10.081 | (237.5, 67.5) | 2 681 | |
| 3 | 7 | 10.465 | (511.2, 96.3) | 3 385 |
| 8 | 10.709 | (77.5, 37.5) | 1 999 | |
| 9 | 12.124 | (347.5, 187.5) | 5 236 | |
| 10 | 12.951 | (2.5, 132.5) | 4 059 |
表选项
特征点选取位置如图 7所示。
 |
| 图 7 特征点选取位置示意图 |
| 图选项 |
3 神经网络模型3.1 数据预处理对输入和输出数据作归一化处理，将所有风场内的风速大小映射至[-1, 1]内，映射过程按式(1)进行，
| $\bar{v}=\frac{v-v_{\min }}{v_{\max }-v_{\min }} .$ | (1) |
风场数据库共有9 943个风场，以7 917个风场为训练集、2 026个风场为测试集进行神经网络训练。
3.2 网络结构设计数值模拟得到不同入流风速下的风场数据。以特征点处的风速为输入，以平面风场为输出，搭建神经网络模型。
网络层数分别设置为3、4、5、6层；激活函数选择Tanh函数；学习率设置为用分数减缓的方式调整，即随着迭代次数的增加逐步减小学习率；选择小批量梯度下降法，每批风场数量设置为16；损失函数选择基于距离度量的损失函数，如式(2)所示，度量样本真实值和模型预测值之间的距离。
| $L=\frac{1}{N} \sum\limits_{i=1}^N\left|\frac{y_i-\hat{y}_i}{y_i}\right|$ | (2) |
4 结果经过训练后的模型在测试集中速度预测误差统计如表 4所示。其中：x方向为东西向，y方向为南北向。由表 4可知，对于1~2 m/s分速度区间，模型预测的平均相对误差为11.9%；对于2~5 m/s分速度区间，模型预测的平均相对误差为6.0%；对于5~10 m/s分速度区间，模型预测的平均相对误差为3.2%；对于10 m/s以上分速度区间，模型预测的平均相对误差为3.5%。
表 4 测试集速度误差统计
| 速度/(m·s-1) | x方向点比例/% | y方向点比例/% | x方向误差/% | y方向误差/% |
| 1~2 | 13.9 | 17.1 | 11.4 | 12.4 |
| 2~5 | 29.3 | 28.7 | 6.1 | 5.8 |
| 5~10 | 30.4 | 23.9 | 3.4 | 2.9 |
| 10以上 | 6.5 | 4.8 | 3.5 | 3.4 |
表选项
从神经网络模型训练与预测结果来看(表 4)，x方向和y方向1 m/s以上速度的预测值平均相对误差分别为5.8%和6.2%；x方向和y方向5 m/s以上速度的预测值平均相对误差分别为3.4%和3.0%。
随机挑选某模拟风场的数值模拟速度与模型预测速度如图 8和9所示。图 8所示为数值模拟产生的风场；图 9所示为训练后的神经网络模型根据特征点风速产生的模型预测的风场。可见，对于该风场，以数值模拟风场为基准，神经网络模型预测的准确率为95.3%。
 |
| 图 8 模拟某风场x方向速度 |
| 图选项 |
 |
| 图 9 模型预测某风场x方向速度 |
| 图选项 |
基于特征点采用神经网络模型对社区风场进行预测的结果，与采用数值计算方法获得的社区风场结果基本吻合，可见神经网络模型的精度能够满足实际需要。
此外，数值模拟需约十几min产生一个风场，而训练好的神经网络模型只需ms量级时间即可产生对应的高精度流场，用时大大缩短，对于紧急情况下快速获取背景风场具有重要应用价值。
5 结论本文首先完成社区场景建模，包含社区内各类建筑物及构筑物，再利用数值模拟技术产生社区模拟风场，并编写shell脚本完成批量仿真，得到社区风场数据库。采用k-means聚类算法得到10个特征点，以特征点处的速度为输入，以风场为输出进行神经网络模型的训练及预测，得到神经网络模型。
该神经网络模型可以快速获得满足精度要求的社区背景风场，从而辅助社区风险防范、应急决策与救援。与数值模拟约十几min产生一个场的时间相比，训练好的神经网络模型只需ms量级即可产生对应的流场，时间大大缩短。该模型以社区内实际点位为特征点训练模型，下一步将在特征点处安装风速风向传感器采集真实的风速风向数据，利用真实的风速风向数据修正神经网络模型并验证预测结果。
参考文献
| [1] | PATTERSON E B. Poverty, income inequality, and community crime rates[J]. Criminology, 1991, 29(4): 755-776. DOI:10.1111/j.1745-9125.1991.tb01087.x |
| [2] | 贾楠, 陈永强, 郭旦怀, 等. 社区风险防范的三角形模型构建及应用[J]. 系统工程理论与实践, 2019, 39(11): 2855-2864. JIA N, CHEN Y Q, GUO D H, et al. Construction and application of triangle model for community risk prevention[J]. Systems Engineering: Theory & Practice, 2019, 39(11): 2855-2864. (in Chinese) |
| [3] | YI F, YU Z W, CHEN H H, et al. Cyber-physical-social collaborative sensing: From single space to cross-space[J]. Frontiers of Computer Science, 2018, 12(4): 609-622. DOI:10.1007/s11704-017-6612-9 |
| [4] | KAPUCU N. Disaster and emergency management systems in urban areas[J]. Cities, 2012, 29(S1): S41-S49. |
| [5] | 刘奕, 张宇栋, 张辉, 等. 面向2035年的灾害事故智慧应急科技发展战略研究[J]. 中国工程科学, 2021, 23(4): 117-125. LIU Y, ZHANG Y D, ZHANG H, et al. Development strategy of smart emergency-response technology for disasters and accidents by 2035[J]. Strategic Study of CAE, 2021, 23(4): 117-125. (in Chinese) |
| [6] | GHOREYSHI M, JIRASEK A, MILLER T, et al. Implementation and verification of gust modeling in an open-source flow solver[J]. Aerospace Science and Technology, 2019, 92: 777-789. DOI:10.1016/j.ast.2019.06.044 |
| [7] | LING J L, KURZAWSKI A, TEMPLETON J. Reynolds averaged turbulence modelling using deep neural networks with embedded invariance[J]. Journal of Fluid Mechanics, 2016, 807: 155-166. DOI:10.1017/jfm.2016.615 |
| [8] | LIU Y, WANG Y Q, DENG L, et al. A novel in situ compression method for CFD data based on generative adversarial network[J]. Journal of Visualization, 2019, 22(1): 95-108. DOI:10.1007/s12650-018-0519-x |
| [9] | LI K, KOU J Q, ZHANG W W. Deep neural network for unsteady aerodynamic and aeroelastic modeling across multiple Mach numbers[J]. Nonlinear Dynamics, 2019, 96(3): 2157-2177. DOI:10.1007/s11071-019-04915-9 |
| [10] | YU J, HESTHAVEN J S. Flowfield reconstruction method using artificial neural network[J]. AIAA Journal, 2019, 57(2): 482-498. DOI:10.2514/1.J057108 |
| [11] | BHATNAGAR S, AFSHAR Y, PAN S W, et al. Prediction of aerodynamic flow fields using convolutional neural networks[J]. Computational Mechanics, 2019, 64(2): 525-545. DOI:10.1007/s00466-019-01740-0 |
| [12] | SEKAR V, JIANG Q H, SHU C, et al. Fast flow field prediction over airfoils using deep learning approach[J]. Physics of Fluids, 2019, 31(5): 057103. DOI:10.1063/1.5094943 |
| [13] | WU H Z, LIU X J, AN W, et al. A deep learning approach for efficiently and accurately evaluating the flow field of supercritical airfoils[J]. Computers & Fluids, 2020, 198: 104393. |
| [14] | MEMARZADEH G, KEYNIA F. A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets[J]. Energy Conversion and Management, 2020, 213: 112824. DOI:10.1016/j.enconman.2020.112824 |
| [15] | CHEN Y, KOPP G A, SURRY D. Prediction of pressure coefficients on roofs of low buildings using artificial neural networks[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2003, 91(3): 423-441. DOI:10.1016/S0167-6105(02)00381-1 |
| [16] | BRE F, GIMENEZ J M, FACHINOTTI V D. Prediction of wind pressure coefficients on building surfaces using artificial neural networks[J]. Energy and Buildings, 2018, 158: 1429-1441. |
| [17] | YAN Y T, DONG X Q, LI J M. Experimental study of methane diffusion in soil for an underground gas pipe leak[J]. Journal of Natural Gas Science and Engineering, 2015, 27: 82-89. DOI:10.1016/j.jngse.2015.08.039 |
| [18] | LI N, LIU Y Q, LI L, et al. Numerical simulation of wind turbine wake based on extended k-epsilon turbulence model coupling with actuator disc considering nacelle and tower[J]. IET Renewable Power Generation, 2020, 14(18): 3834-3842. |
| [19] | GHOBADI P, NASROLLAHI N. Assessment of pollutant dispersion in deep street canyons under different source positions: Numerical simulation[J]. Urban Climate, 2021, 40: 101027. |
