（根据文档内容判断，该文献属于类型a：单篇性研究论文的报告）

基于卷积神经网络的室内气流分布快速CFD模拟替代模型研究

第一作者：Wenkai Zhang（浙江大学制冷与低温研究所）
通讯作者：Chaobo Zhang（埃因霍温理工大学建筑环境系）和Yang Zhao（浙江大学制冷与低温研究所/嘉兴研究院浙江省清洁能源与碳中和重点实验室）
合作单位：中国三峡集团武汉科技创新园
发表信息：2025年发表于《Energy & Buildings》第326卷，文章编号115020

一、学术背景

本研究属于建筑环境与人工智能交叉领域，针对计算流体力学（Computational Fluid Dynamics, CFD）在室内气流分布模拟中存在的计算成本高、耗时长等瓶颈问题展开。传统CFD需要求解离散化的控制方程组，在大型建筑室内环境优化等需要数千次模拟的场景中适用性受限。虽然基于人工神经网络（Artificial Neural Networks, ANN）的替代模型已展现出加速潜力，但现有ANN模型难以捕捉气流分布中的局部空间特征，导致局部区域（如进风口附近和主流区）模拟精度不足。

研究团队提出创新性解决方案：利用专门处理空间结构化数据的卷积神经网络（Convolutional Neural Networks, CNN）构建替代模型。该研究首次在室内环境模拟领域验证CNN模型相对于ANN和图神经网络（Graph Neural Networks, GNN）的优越性，主要解决三个核心科学问题：(1) 如何将CFD模拟关联的空间信息转换为适合CNN输入的格式；(2) 何种CNN结构能基于空间特征预测气流分布；(3) CNN模型在加速室内环境CFD模拟方面是否优于GNN和ANN模型。

二、研究流程与方法

1. 数据生成与预处理

研究采用COMSOL Multiphysics 6.0软件生成2000组不同边界条件下的二维强制对流室内气流速度场数据。模拟场景为长9.1m、高3.1m的房间，包含1个进风口（速度边界）和1个出风口（恒定压力边界），考虑8种进风口位置（图8）、进风口尺寸（0.2-0.6m）、出风口尺寸（0.2-1.0m）和进风速度（0.1-4.6m/s）等变量的组合。采用RANS方程结合k-ε湍流模型（方程7-10），收敛残差设定为10⁻⁴，网格独立性验证显示所选网格与精细网格的精度差异仅为3.81%。

创新性地提出”室内空间几何表示方法”（图2）：将房间几何结构离散化为32×92的笛卡尔网格，每个网格单元用0-3的整数标识流体域、无滑移边界、速度边界或压力边界（图3）。CFD模拟结果也被重采样至相同分辨率，形成模型输入-输出对。

2. CNN替代模型设计

模型包含三个核心模块（图4）： 1. 卷积模块：2个卷积单元（每单元含3×3卷积核和2×2最大池化层），使用ReLU激活函数提取局部空间特征（方程1-3）。 2. 全连接模块：3层隐藏层（每层1024个神经元），将展平的局部特征与进风速度等几何无关特征融合（方程4）。 3. 反卷积模块：2个反卷积单元（含最近邻上采样和3×3反卷积操作），重建气流分布图（方程5）。

采用均方误差损失函数（方程6）和Adam优化器训练模型。定义MAE、MAPE和R²三个指标评估性能，其中MAPE采用进风速度归一化以避免零速度区偏差（方程11-13）。

3. 对比实验设计

通过5组实验验证模型性能： - Case 1：90%数据训练，10%测试（边界条件在训练范围内） - Cases 2-5：分别测试进风速度（4.1-4.6m/s）、进风口尺寸（0.5-0.6m）、出风口尺寸（0.8-1.0m）和进风口位置（类型8）超出训练范围时的泛化能力

基准模型选择广泛使用的ANN模型（5层隐藏层，每层256个神经元）和文献报道的GNN框架。所有模型均通过网格搜索优化超参数（表4），在AMD 5600X 3.7 GHz CPU上基于PyTorch实现。

三、主要研究结果

1. 基准测试性能（Case 1）

CNN模型展现出显著优势（表5）： - MAE（0.013 m/s）较ANN和GNN分别降低79.37%和72.34% - MAPE（1.53%）较ANN和GNN分别下降51.58%和46.32% - R²（0.999）达到近乎完美的拟合

可视化结果（图12）显示，ANN虽能预测气流主流但局部误差显著，而CNN和GNN在进风口等关键区域精度更高，且CNN在主流通向出口区域的预测最为准确。

2. 泛化能力测试

在边界条件超出训练范围的4种情况下： - 进风速度外推（Case 2）：当进风速度达4.6m/s时，CNN的MAE（0.048）仍比ANN降低76.47%，比GNN降低55.14%（表6）。随着测试值与训练范围偏差增大，所有模型精度均下降，但CNN保持最优（图13）。 - 进风口尺寸外推（Case 3）：对于0.6m进风口，CNN的R²（0.811）较ANN提升29.14%，较GNN提升0.75%（表7）。CNN与GNN精度相近，但显著优于ANN（图14）。 - 出风口尺寸外推（Case 4）：CNN在1.0m出风口下的MAE（0.054）较ANN和GNN分别低45.45%和16.92%（表8），主流预测更准确（图15）。 - 进风口位置外推（Case 5）：当测试位置（类型8）未包含在训练数据中时，所有模型均失效（R²<0.26），但CNN相对表现最佳（表9，图16）。

3. 计算效率

CNN模型展现出巨大优势（表10）： - 平均训练时间仅189.53秒（GN