基于双分支融合U-Net的建筑绕流场预测模型FBFU-Net研究

为解决CFD模拟在建筑风场分析中存在的计算效率低、精度受限等问题，研究人员提出Flow Branches Fusion U-Net（FBFU-Net）模型，通过双分支CNN架构分别处理速度与压力数据，并引入多模态传输模块（MMTM）实现信息融合。实验表明该模型显著提升预测精度，为AI驱动的风工程分析提供新工具。

　　

随着城市化进程加速，高层建筑引发的复杂风场效应日益凸显，传统风洞实验成本高昂，而计算流体力学（CFD）模拟虽能替代，却面临计算耗时、网格敏感性等问题。韩国等高层建筑密集地区对此需求尤为迫切。尽管机器学习（ML）方法如梯度提升回归树（GBRT）和生成对抗网络（GAN）已尝试提升效率，但存在特征工程依赖或模态割裂的局限。

为此，天主教大学的研究团队在《Knowledge-Based Systems》发表研究，提出Flow Branches Fusion U-Net（FBFU-Net）。该模型基于U-Net架构，创新性地设计速度与压力双处理分支，通过多模态传输模块（MMTM）实现跨模态信息融合，并采用2D图像序列表征三维风场数据以平衡计算效率与空间模式学习。关键技术包括：1）基于CFD生成包含速度/压力场的建筑绕流数据集；2）双分支CNN分别提取速度与压力特征；3）MMTM模块动态融合双分支信息；4）5折交叉验证对比U-Net、Pix2Pix等基线模型。

实验结果显示：在预测建筑周围流场时，FBFU-Net的均方误差（MSE）较传统U-Net降低23.1%，且推理速度比CFD提升两个数量级。多模态融合分析证实MMTM能有效捕捉速度与压力的物理关联，例如在建筑尾流区，压力梯度变化与速度场再附着现象的协同预测精度提升19.4%。跨高度比较表明模型对10m-100m高度层的风速剖面预测与CFD结果相关系数达0.97。

研究结论指出，FBFU-Net通过双分支结构与MMTM的协同设计，首次实现风场多模态数据的端到端联合建模，为建筑风工程提供高精度、低成本的AI解决方案。未来工作将扩展至台风等极端气候条件下的流场预测，并探索与建筑信息模型（BIM）的实时集成应用。