快速的全球城市化给实际设计策略带来了挑战。高密度的城市发展导致了城市通风不良[1,2]。风速特性是评估室外环境质量的重要指标[[2], [3], [4], [5], [6]]。
突出的立面粗糙元素，如阳台[[7], [8], [9], [10], [11]]和肋条[[12], [13], [14], [15]]，是城市建筑[12,14,16,17]和城市街道峡谷[8,[18], [19], [20]]中的普遍特征。对于高层建筑，立面附属物能够改变空气动力性能[21]，例如优化风压分布[7,10,15,22,23]、改变污染物扩散路径[[24], [25], [26]]、改变通风性能[27,28]以及降低建筑物因风引起的振动风险[29]。对于城市街道峡谷，除了峡谷几何形状[[30], [31], [32], [33]]、风向[34]和绿色基础设施[[35], [36], [37], [38], [39]]外，突出元素的几何配置和空间排列也显著影响了通风性能[15,40]、温度分布[41,42]和污染扩散[[43], [44], [45], [46]]。水平突出的肋条对城市街道峡谷中的涡流形成和演变具有特别强的影响[27]。量化流动结构对于基于性能的城市设计至关重要。然而，这些元素产生的复杂多涡流场给高效建模和预测带来了持续挑战。
计算流体动力学（CFD）因其处理复杂几何形状的灵活性而被广泛用于模拟街道峡谷气流。在具有详细立面特征的城市环境中，准确的流动预测需要解决在粗糙区域内部发展的次级涡流[47]。对于此类应用，大涡模拟（LES）已被证明比雷诺平均纳维-斯托克斯（RANS）方法[26,[48], [49], [50]]更为准确。同时，RANS模型通常无法解析由凸起部分引起的非稳态多尺度涡流。然而，由于立面凸起部分通常比建筑物尺寸小一到两个数量级，因此需要更密集的网格来捕捉近壁流动结构。因此，尽管LES提供了高保真度的结果，但其计算成本仍然过高，无法用于快速的设计前期评估，这突显了高效替代建模方法的迫切需求。
鉴于参数空间的复杂性和对快速解决方案的需求，替代模型已成为建筑性能预测的有效工具[51]。这些模型作为计算效率高的近似方法，能够以可接受的精度损失提供结果。近几十年来，替代建模已在多个学科中得到广泛应用[52]，包括多项式基函数[53]、人工神经网络[54]、克里金插值[52]、支持向量回归[55]和径向基函数[56]。杨等人[57]开发了一种用于预测孤立高层建筑物周围平均风速最大加速度比和加速度区域的通用模型。同样，田村等人[58]建立了适用于密集城市区域行人水平风条件的通用模型。在室内应用方面，韦里等人[59]利用深度学习来量化车辆车厢内的热舒适度。丁等人[60]创建了回归模型来预测室内外耦合流动的交叉通风指数。一种广泛使用的空间确定性插值方法是逆距离加权（IDW）方法。根据IDW方法，可以通过周围已知样本点的距离加权平均值来估计未知点的属性值。这是一种简单的插值方法，在空间数据分析中得到广泛应用。尽管取得了这些进展，但很少有研究关注受立面装置影响的风流动态的快速预测，这突显了进一步研究的必要性。
传统的替代模型在重建完整流场方面存在根本限制，因为维数灾难——准确表示所需的参数空间与网格单元和流动变量的乘积成正比，使得直接替代建模在计算上不可行[61]。为了解决这一挑战，降阶模型作为一种有效的替代方案应运而生[62]。开发此类降阶模型涉及两个关键阶段：（1）构建用于流场表示的降阶空间；（2）建立降阶模型潜变量与设计参数之间的映射关系。数据驱动的降阶模型的有效性取决于三个主要因素：用于训练数据生成的设计变量空间采样策略（DoE）设计、选择降维技术，以及降阶模型潜变量与设计参数之间的映射方法选择。与RANS[63]和LES模拟[64]相比，降阶模型在计算效率上取得了显著提升。
适当正交分解（POD），也称为主成分分析（PCA），是一种成熟的降阶建模方法，在流体动力学[65,66]和建成环境研究[[67], [68], [69], [70], [71], [72], [73], [74], [75]]中有着广泛的应用。这种模态分解技术系统地将复杂流动系统分解为基本模态，从而能够识别主要和次要流动特性。当与插值技术结合使用时，POD可以快速预测新边界条件下的流场，包括入口边界方向[76]和壁面边界条件。Fang等人[77]首次将POD应用于城市街道峡谷流动和污染扩散的建模，他们开发了基于POD的降阶模型。后续的进展包括Xiao等人的域分解非侵入式降阶建模方法，以提高精度[78]，以及他们后来开发的基于高斯过程的降阶模型，用于城市湍流预测[65]。最近的创新整合了深度学习技术，例如Xiang等人的[79] 3D卷积自动编码器用于长期城市风场预测，以及Wu等人的条件生成对抗网络用于3D室内气流预测[80]。Xiang等人的[81]的比较研究揭示了关键权衡：基于POD的降阶模型提供了更简单的数学公式、更好的可解释性和更快的训练速度，但需要更多训练数据来处理复杂场景。相比之下，深度学习降阶模型在精度上更高，但训练时间显著更长。
虽然降阶模型在预测光滑建筑立面的流动方面表现出有效性，但其在具有突出元素的建筑立面上的性能尚未得到验证。表面粗糙度会扰乱流动动态，产生延伸到整体流动中的多涡结构——这与光滑墙面模式不同。这些扰动可能挑战降阶模型捕捉流动不连续性和改变的涡流动态。此外，在建模和评估过程中应考虑粗糙元素的各种参数范围，以量化其对不同粗糙度尺度下流场预测的影响。
在这项研究中，我们尝试开发一种专为带肋条的立面配置设计的新型POD-Kriging框架。本文的其余部分结构如下：第2节介绍POD-Kriging框架，详细阐述其公式和在城市峡谷流动预测中的实现。第3节通过结合定量误差指标和结构相似性分析来评估模型的预测准确性。第4节深入讨论了模型特性。最后，第5节总结了主要发现。
