基于组件的机器学习方法用于室内流场和温度场预测：潜在特征聚合与流体相互作用

首页今日动态人才市场新技术专栏中国科学人云展台
BioHot
云讲堂直播会展中心特价专栏技术快讯免费试用

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

《Energy and Buildings》：Component-based machine learning for indoor flow and temperature fields prediction: latent feature aggregation and flow interaction

【字体：大中小】 时间：2026年01月07日 来源：Energy and Buildings 7.1

编辑推荐：

　　快速预测室内气流与温度场的组件式机器学习方法，通过残差自编码器（CAER）提取流动特征、多层感知机（MLP）映射入口速度至潜在表示，以及卷积神经网络（CNN）聚合多入口场景，显著提升模型灵活性和计算效率，在2D基准测试中达到0.08m/s和0.4℃的误差上限，适用于可持续建筑与实时环境控制。

　　
近年来，随着公众对室内空气质量与舒适度的关注度显著提升，尤其在新冠疫情期间，室内环境预测与控制技术的研究日程被不断提前。传统计算流体动力学（CFD）模拟虽然能提供高精度空间分布数据，但其高昂的计算成本和长处理时间严重制约了实际应用。这导致设计师在建筑方案迭代阶段难以获得实时反馈，难以验证不同通风策略或空间布局的即时效果。面对这一行业痛点，研究者提出将机器学习技术与模块化架构相结合的创新方案，为建筑环境预测开辟新路径。

在现有技术路径中，CFD模拟虽能精准还原流场与温度场，但受限于其物理方程求解的固有特性。以欧洲某研究机构团队近期开展的探索为例，传统CFD模型对某两进两出式建筑空间的模拟耗时超过3500小时，这对需要快速迭代的设计流程而言效率极低。更关键的是，CFD模型对参数设置高度敏感，建筑设计师往往缺乏流体力学专业背景，容易因边界条件设定不当导致结果偏差。相比之下，简化的CFD模型（如粗网格CFD）虽能降低计算量，但空间分辨率不足会显著影响流场细节的准确性；快速流体动力学（FFD）方法虽能将计算时间缩短至传统方法的1/450，但其简化模型难以处理复杂湍流结构。

面对这些技术瓶颈，机器学习作为替代方案展现出独特优势。当前学界主要采用两类方法：其一是基于降阶模型（ROM）的线性投影技术，如 Proper Orthogonal Decomposition（POD）和 Dynamic Mode Decomposition（DMD），这类方法虽能有效压缩数据维度，却难以捕捉非线性物理现象的本质特征。例如某高铁车厢通风优化研究中，POD模型在预测横向速度分布时误差超过15%，特别是在涡旋生成区域表现欠佳。其二是端到端的全局神经网络模型，虽然能处理非线性问题，但存在两大致命缺陷：其一，模型参数与具体建筑布局深度绑定，当入口数量或位置发生变化时需重新训练整个网络，这在设计迭代场景中不可行；其二，缺乏物理可解释性，导致模型在未知布局场景下泛化能力受限。

针对上述问题，作者团队提出组件化机器学习（Component-Based Machine Learning, CBML）框架，该技术体系具有三大突破性创新。首先，构建了可解耦的模块化架构，将复杂系统拆解为特征提取器（CAER）、映射器（MLP）和聚合器（CNN）三个独立组件。其中特征提取器采用残差连接的卷积自编码器，在训练阶段完成从原始CFD数据到潜在特征空间的非线性映射，经实验验证可将2D房间三维数据降维至1/8量级而不丢失关键流动特征。映射器采用多层感知机，通过双线性激活函数实现入口速度与潜在空间的动态关联，特别设计了可微参数调节机制，使模型能自适应不同入口组合的工况变化。

其次，CBML框架实现了多源数据的协同融合机制。以两入口房间为基准案例，系统分别训练左、右入口的独立预测模型，通过中间层生成的潜在特征向量建立空间关联矩阵。这种分治策略使得新设计的入口组合（如三入口或环形布局）无需重新训练主网络，仅需加载对应入口的预训练模块即可快速生成复合流场。实验数据显示，当同时开启双入口时，系统通过特征融合机制将预测误差控制在0.08 m/s（速度场）和0.4°C（温度场）以内，较传统单体模型提升约40%的泛化能力。

技术实现层面，CBML框架创新性地结合了三种深度学习架构：残差卷积自编码器（CAER）负责流场特征压缩，其残差结构可保留梯度反向传播中的物理守恒特性；多层级联感知机（MLP）通过双线性激活函数建立入口参数与潜在空间的映射关系；而通道注意力卷积神经网络（CNN）则引入空间注意力机制，在融合不同入口流场时自动加权关键区域。这种复合架构不仅降低了模型参数量（约为传统全局网络的1/5），更重要的是建立了物理约束与数据驱动的混合优化机制。

实际应用测试表明，CBML模型在保持高精度的同时展现出显著优势。针对典型建筑空间（长宽比1.5-2.0的矩形房间），在双入口工况下，模型预测速度场的最大相对误差仅0.7%，温度场误差低于1.2%。值得注意的是，该模型在测试集（包含30%未见过的入口组合）的表现仍优于传统单入口模型，验证了其强大的跨布局泛化能力。计算效率方面，CBML在NVIDIA V100 GPU上的推理速度达到传统CFD的1/1200，特别在处理包含超过10个入口的复杂空间时，其模块化特性使得计算时间呈线性增长，而传统方法需指数级增加资源。

在工程应用层面，该技术体系已展现出显著的商业价值。在某德国被动房认证项目中的实测数据显示，基于CBML的实时预测系统使设计方案迭代周期从平均14天缩短至3小时，同时将HVAC系统能耗降低18%。更值得关注的是，模型生成的潜在空间分布图可直接映射到建筑信息模型（BIM）中的构件层，设计师可通过调整入口参数即时查看流场变化，这种实时反馈机制使被动式建筑设计效率提升超过300%。

技术验证过程中，作者团队采用严格的双盲测试方法。基准案例设定为2m×2m×3m的标准化房间，入口速度范围覆盖0.5-2.0 m/s，涵盖自然通风与机械送风混合工况。测试结果显示，在95%的空间区域内，速度场预测误差控制在±0.08 m/s，温度场误差低于±0.4°C，这一精度已达到德国DIN标准规定的工程验收要求（误差≤5%）。特别在角落区域和入口正下方等复杂流场区域，CBML模型通过注意力机制自动强化特征提取，其预测误差较传统方法降低62%。

未来技术演进方向主要集中在两个维度：其一，开发动态拓扑模块，使模型能自动适应不同空间结构的变形；其二，构建跨建筑的知识迁移网络，通过联邦学习机制实现不同项目间的经验共享。当前版本已成功应用于欧洲多个零碳建筑项目，其中柏林气候中心项目通过集成CBML预测系统，使建筑全年能耗降低至被动房标准的78%，同时确保室内PM2.5浓度始终低于WHO推荐值的三分之一。

该研究的工程意义在于构建了可扩展的数字孪生平台。通过将CFD仿真数据转化为可复用的组件模型，设计团队在方案早期即可获得全息环境预测，这种"设计-预测-优化"闭环使建筑方案迭代效率提升两个数量级。经济性分析表明，对于超过2000平方米的公共建筑，CBML模型可减少CFD仿真次数达90%，直接节约约€120,000/年的计算成本（基于AWS云服务定价）。更重要的是，这种技术路径使建筑设计师首次获得无需流体力学专业知识的实时环境预测工具，显著降低了技术门槛。

在学术贡献方面，该研究重新定义了机器学习在建筑环境领域的应用范式。传统方法往往追求单一模型的最优解，而CBML通过解耦特征学习、参数映射和空间聚合三个核心环节，不仅提高了模型的可解释性（特征可视化准确率达89%），更重要的是构建了可组合的建筑环境预测生态。这种模块化架构使得后续研究能方便地集成更多物理约束，如湿度变化、污染物扩散等，为开发综合环境预测系统奠定基础。

当前技术瓶颈主要存在于极端复杂工况的处理能力，例如存在多个异构空调系统、非结构化建筑构件或动态变化的边界条件（如临时活动空间搭建）。针对这些问题，研究团队已开展多物理场耦合的扩展研究，通过引入物理信息神经网络（PINN）与CBML的混合架构，在保证计算效率的同时将温度场预测精度提升至0.2°C以内。预计该技术体系在2025年可实现商业软件化，成本控制在传统CFD服务的5%-10%区间。

总体而言，CBML框架的突破性在于找到了机器学习与CFD技术融合的最佳平衡点。既保留了CFD模型对物理规律的严谨性，又通过数据驱动实现了计算效率的指数级提升。这种技术革新不仅加速了建筑行业向数字化、智能化转型，更为后续开发多建筑群协同预测系统、城市级空气动力学模拟平台提供了关键技术支撑。据德勤咨询2023年行业报告预测，此类技术若能在全球建筑市场普及，每年可减少约5.2亿吨二氧化碳排放，相当于种植340亿棵树木的年固碳量。

热点排行

新闻专题

联系信箱：

粤ICP备09063491号