密闭空间喷嚏污染物时空预测：一种经现场实测与CFD-机械臂数字孪生系统验证的CNN-LSTM方法

《Frontiers in Robotics and AI》：Spatiotemporal prediction of sneeze pollutants in enclosed spaces: a CNN-LSTM approach validated by field measurements and CFD-Robotics arm twin system

　　

在人口密集的密闭环境中，复杂的温度层结与重叠的呼吸区构成了呼吸道病原体空气传播的高风险聚集场所。为解决传统求解器在物理边界保真度与计算延迟方面的双重挑战，本研究提出了一种经物理验证的数据驱动框架，用于快速时空预测喷嚏诱导的污染物扩散。研究人员开发了CFD-机械臂数字孪生系统，利用仿人机械臂结合基于Transformer的模仿学习策略复现非线性人体喷嚏运动学。为确保严格的物理保真度，模拟流场与颗粒轨迹通过风速计测量与机械臂喷嘴喷射测试构成的双阶段实验基准进行了验证。在此基础上，研究人员构建了空间保持型U-ConvLSTM架构。该模型通过集成卷积U-Net编码器、ConvLSTM层与对称跳跃连接，维持了绝对物理坐标(x,y)，避免了传统扁平化架构固有的拓扑破坏。通过质量误差(εmass)与质心距离评估，证实了模型严格遵循欧拉守恒律。结果表明，替代模型在计算速度上实现了三个数量级的加速，同时保持了高结构相似性(结构相似性指数测量值=0.992)。此外，该框架将抽象的浓度场转化为动态安全半径与垂直暴露窗口等实用工程指标。本研究为实时风险评估及优化室内空间布局以降低病原体暴露提供了科学严谨的工具。

研究背景与意义

呼吸道传染病（如COVID-19与季节性流感）的空气传播对全球公共卫生安全构成持续严峻挑战。喷嚏作为一种瞬态、高动量的多相流事件，其产生的飞沫核可在室内悬浮超过70分钟，尤其在大学宿舍等多层次密闭空间中，热分层与重力沉降的共同作用使得传播机制更为复杂。传统计算流体力学（Computational Fluid Dynamics, CFD）虽能提供高精度的流场信息，但受限于纳维-斯托克斯方程（Navier-Stokes equations）的迭代求解，单次瞬态模拟需耗费数小时至数天，无法满足实时风险评估的需求。现有数据驱动的降阶模型（Reduced-Order Models, ROMs）则普遍存在物理验证缺失、空间拓扑结构破坏以及工程指标转化不足等问题。为此，本研究旨在建立一种经物理验证的深度学习框架，以实现喷嚏污染物扩散的快速精准预测。该研究发表于《Frontiers in Robotics and AI》。

关键技术方法

研究人员首先构建了包含26个不同喷射位置与朝向的模拟矩阵，并在通风与无通风两种工况下进行瞬态CFD模拟，生成5200张时空浓度云图作为数据集。为确保物理真实性，研究设计了双阶段验证策略：第一阶段利用风速计阵列验证连续流场；第二阶段通过由仿人机械臂（SO-ARM101）与移动底盘（R550）构成的物理-数值孪生系统，同步复现喷嚏的运动学与颗粒轨迹。深度学习模型采用了纯卷积的U-ConvLSTM架构，摒弃了全连接层以保持物理坐标的完整性。训练过程中使用了结合自适应加权均方误差、L1损失、结构相似性损失与峰值保持损失的复合损失函数，并通过贝叶斯优化（Bayesian Optimization）确定了超参数。

研究结果

4.1 双阶段实验验证分析

流场验证结果显示，入口处模拟速度与实测值相对误差仅为-0.93%，内部监测点误差在5.56%至19.79%之间，皮尔逊相关系数达0.9744，符合室内空气环境建模的接受标准。颗粒轨迹验证中，机械臂实验测得的最大穿透距离为1.09米，与CFD预测的动量核心（1.12米）偏差仅为-2.68%；重力沉降区域（0.88米）与CFD预测（0.85米）偏差为3.53%，验证了数值求解器的可靠性。

4.2 预测性能评估

模型在测试集上表现出色：均方根误差（Root Mean Square Error, RMSE）为0.0167，结构相似性指数（Structural Similarity Index Measure, SSIM）为0.9923，质量误差（Mass Error）仅为0.3135%，质心（Center of Mass, CoM）距离漂移小于1像素（0.888像素），峰值误差（Peak Error）为13.56%。这表明模型在满足数值精度的同时，严格遵循了质量守恒定律。

4.3 预测性能的时空可视化

与传统架构（如VGG-LSTM与ResNet-LSTM）相比，U-ConvLSTM成功避免了背景偏置与均值颜色塌陷，准确重构了射流的锐利浓度梯度。误差拓扑分析显示，残差主要集中在羽流前缘与壁面撞击区，符合流体力学特征。特征图可视化表明，深层网络能有效过滤静态背景噪声，专注于捕捉宏观气动动量核心。

4.4 计算效率与工程应用

U-ConvLSTM的单帧推理延迟仅为39.33毫秒，相比传统CFD（39.31秒）实现了三个数量级的加速（O(10³)）。在无通风条件下，动态安全半径（Dynamic Safety Radius, D_safe）在1.8秒内可达3.30米，远超2.0米的常规社交距离；而在机械通风条件下，半径在2.0秒后回落至2.0米以下，证明了通风对缩短危险暴露窗口的有效性。

讨论与结论

本研究成功建立了融合物理机理与数据驱动的喷嚏污染物扩散预测框架。通过引入基于Transformer的模仿学习（Action Chunking with Transformers, ACT）控制的CFD-机械臂数字孪生系统，解决了数值模拟缺乏生理真实性的难题。提出的空间保持型U-ConvLSTM架构有效克服了传统神经网络破坏空间拓扑的缺陷，实现了亚像素级的质心跟踪与极低的质量误差。研究量化了无通风环境下高达3.30米的危险半径，揭示了静态社交距离在密闭空间中的局限性，并论证了机械通风在缩短暴露窗口方面的关键作用。该框架将抽象的流场数据转化为可操作的工程指标（如动态安全半径），为室内空间布局优化与暖通空调（Heating, Ventilation, and Air Conditioning, HVAC）系统的实时控制提供了科学工具。未来工作建议探索图神经网络（Graph Neural Networks, GNNs）与非欧几何表示学习，并结合物理信息神经网络（Physics-Informed Neural Networks, PINNs）以进一步提升模型的流体力学保真度。