用于室内计算流体力学代理建模的FiLM条件卷积神经网络

《BUILDING AND ENVIRONMENT》：FiLM-conditioned convolutional neural networks for indoor CFD surrogate modeling

　　

摘要
计算流体力学（CFD）对于热环境分析至关重要，但其数小时至数天的模拟成本限制了设计迭代和运行导向控制等重复查询类应用。本研究针对室内CFD代理模型的一个核心挑战：如何准确且高效地将低维边界条件和运行条件注入到高维三维温度场预测中。我们对香港地铁网络何文田站的公共大厅进行了CFD模拟，构建了220个样本，包括200个插值域案例和20个外推案例。在此基础上，我们提出了一种特征线性调制（FiLM）条件的卷积神经网络（CNN）代理模型，并在受控比较协议下进行评估：固定骨干架构、体素输入、掩码策略和训练调度，仅改变条件注入路径。在所有对比的代理模型中，CNN-FiLM取得了最佳的预测精度。以归一化均方根误差（NRMSE）作为主要指标，CNN-FiLM在插值上达到0.0402，在外推上达到0.0400，相对于基线模型分别实现了11.3%–27.4%和11.1%–75.1%的NRMSE降低。推理时间约为每个样本0.03秒，将CFD模拟的数小时或数天周转时间缩短至接近实时的预测。CNN-FiLM不仅提高了全域平均精度，还降低了高梯度区域的局部误差和尾部逐点误差。尽管所有模型在边界附近都会退化，但FiLM在边界区、过渡区和核心区始终保持最高精度，且在各测试案例中增益一致。这些结果表明，特征线性调制是一种鲁棒且实用的室内CFD代理模型条件注入策略，对工程决策支持具有价值。

引言
计算流体力学（CFD）是室内环境分析的核心工具，因为它能够预测温度、速度、压力和相关流动变量的空间分布，而这些变量仅通过测量很难全面获取。在建筑应用中，这一能力支持热舒适度评估、通风设计和节能运行。
然而，其实用性往往受限于计算时间。对于具有复杂几何形状和边界条件的真实室内域，稳态模拟可能需要数小时至数天，瞬态模拟成本更高。这在重复查询任务中造成了明显的瓶颈。Drgoňa等人[1]综述了建筑模型预测控制，并强调了决策循环中对快速预测模型的实用需求。You等人[2]利用CFD和深度学习对建筑风环境进行快速预测和优化，展示了快速场景评估在设计优化中的价值。Killian和Kozek[3]讨论了面向节能建筑的模型预测控制，并强调了面向控制的预测的计算需求。Boje等人[4]概述了建筑数字化双胞胎的研究方向，进一步推动了面向部署的建筑运行工作流中对快速响应预测工具的需求。对快速场景评估的类似需求也出现在多建筑协同控制中[5]。
这些约束推动了能够学习从边界条件和运行条件到CFD解场的映射的神经代理模型的发展，从而在训练后用快速推理取代昂贵的CFD重跑。其实用价值已在建筑流应用中得到验证[2]。相关研究还将快速场预测与面向舒适度的下游决策支持[6]以及必须在变化条件下同时考虑热舒适和节能的运行场景联系起来[7]。
在此背景下，关键问题已不再是CFD代理模型是否有用，而应如何设计以实现高维场预测。特别是当目标为空间异质的三维温度场时，一个核心挑战是低维边界条件和运行条件应如何被准确且高效地注入到代理模型中。
近期的综述表明，机器学习可以通过多种方式支持建筑环境CFD，包括直接代理模型、求解器加速和混合工作流[8]。更近期的综述同样突出了快速CFD应用中的多样性[9]。另一项专注于建筑相关物理场的综述进一步强调，代理模型性能不仅取决于模型类别，还取决于数据集构建、特征选择和面向部署的评估[10]。在这一格局中，有必要区分直接代理模型——学习从案例描述符到解场的映射——和嵌入求解器的机器学习方法——加速CFD而不替代完整模拟流程[11]。
在直接代理模型中，基于POD/PCA和浅层回归器的降阶模型仍是一个重要的经典家族，因为它们将CFD场压缩为模态系数后再进行回归[12]。近期的室内气流研究表明，此类降阶回归在受限设置下仍具有竞争力[13]。基于CNN的代理模型构成另一个主要家族，在结构化网格上尤为自然，因为它们利用空间局部性进行全场预测[14]。相比之下，基于GNN的代理模型直接在网格连通性上操作，因此更适合不规则离散化[15]。Peng等人[16]将傅里叶神经算子应用于三维动态城市微气候的实时模拟。Jiang等人[17]使用傅里叶神经算子预测气动环境中的压气机叶片级流动场。DeepONet风格模型将此方向扩展到参数化场预测[18]。PINN通过将在训练过程中嵌入控制方程提供了物理约束的替代方案[19]。条件生成式代理模型也在快速发展；例如，近期基于CGAN-CFD的研究预测了不同教室布局下的室内气流和温度场[20]。
这些研究定义了该领域的广泛状态，但它们不是本研究的直接基准目标。原因是它们在几何表示、离散化假设、监督目标或优化目标上存在差异。更重要的是，FiLM是一种在架构上与骨干模型类别选择正交的条件机制：原则上它可以与CNN结合，也可以与其他代理骨干模型结合。因此，它并不与PINN、DeepONet风格模型或条件生成式代理模型处于同一比较层级。本研究因此聚焦于确定性体素CNN代理模型内部的一个更窄的问题：当骨干模型家族和空间表示被固定后，低维边界条件和运行条件应如何被注入？
对于这个更窄的设置，编码器-解码器CNN是合理的工作骨干，因为它结合了多尺度空间特征提取和实用的实现与推理效率。建筑流研究反复报告CNN或三维CNN代理模型在室内气流和通风预测中具有有利的精度-速度权衡[21]。类似证据已在AirVox风格的室内建模[22]和相关的流动重建学习设置[23]中得到报告。近期的室内气流研究还表明，U-Net风格的设计在同时考虑非空间泛化和空间细节保留时仍具有竞争力[24]。因此，结构化网格CNN骨干是本比较中合理的固定设计空间。
在固定的CNN代理模型中，关键设计自由度是条件机制：即如何将非空间变量进行转换和注入的架构路径，从而使预测场能够适应变化案例。在室内CFD代理模型中，这些变量通常对应于边界和运行描述符，如入口条件、热负荷、太阳条件或与人员占用相关的因素。
在近期基于CNN的代理模型研究中，最常见的两条条件路径出现了。第一条是拼接条件，即将案例描述符广播或以其他方式转换为与CNN兼容的张量，并与空间输入或中间特征图融合[2]。这种逻辑既出现在直接输入融合中[25]，也出现在相关的室内建模工作流中[22]。Zhang等人[21]使用了一种卷积代理模型来预测室内气流分布，并在瓶颈处拼接条件信息。Zhang等人[24]同样采用了基于U-Net的室内气流代理模型，通过更深的条件融合来改善空间泛化。第二条是ANN注入条件，即低维变量首先由多层感知器处理，然后重塑或注入为CNN层级中的潜在张量特征[26]。
这些路径实用且被广泛使用，但在此设置中它们共享一个共同局限性：全局案例描述符通常被转换为空间张量，然后通过卷积层级仅间接传播。对于室内热场而言，少量运行变量可以引发非局部和多尺度变化，这促使我们考察是否有必要采用更明确的条件感知特征调制路径。
特征线性调制（FiLM）提供了一种替代方案。FiLM不是将边界条件和运行条件转换为伪空间张量，而是将它们映射为逐特征仿射参数，在网络的隐藏激活上进行调制[27]。因此，条件注入被实现为计算调制而非体素表示增强。
该机制在此处尤其相关，因为条件输入是低维全局变量，而预测目标是高维三维温度场。与拼接条件和ANN注入条件路径相比，FiLM在保持条件变量在语义上与依赖几何的空间编码分离的同时，仍允许它们在整个深度上反复影响特征提取[27]。相关的调制思想已出现在更广泛的条件学习中，包括AdaIN[28]和SPADE[29]。Hagnberger等人[30]提出了VCNeFs作为时间依赖参数化偏微分方程的条件神经场框架。Du等人[31]引入了CoNFiLD，使用条件神经场潜在扩散模型生成时空湍流。Liu等人[32]进一步开发了CoNFiLD-inlet用于合成湍流入流生成。然而，对于确定性结构化网格CNN代理模型在室内热场预测中FiLM的直接证据仍然有限。
上述综述指出了室内CFD代理建模中的一个明确空白。尽管结构化网格CNN代理模型在温度场预测中已具实用性，但现有研究在骨干模型、几何编码、掩码规则和训练协议对齐的情况下，关于条件设计如何影响性能提供了有限的受控证据。
本研究在受控比较设置下检验FiLM作为室内三维温度场预测的条件路径。主要实验固定相同的编码器-解码器CNN骨干、体素输入表示、掩码策略和训练协议，仅将条件机制在CNN-FiLM、CNN-Concat、CNN-Concat-Bottleneck和CNN-ANN-Injection之间进行变化。MLP-PCA作为额外外部参考在结果中报告。该设计使CNN代理模型之间的性能差异主要可归因于条件注入策略，而非更广泛的架构变化。
本研究的贡献有三方面。第一，我们引入了FiLM作为室内三维温度场代理建模的显式深度条件路径。第二，我们建立了受控比较框架，将条件设计与骨干模型和表示混淆因素隔离开来。第三，我们通过插值和外推测试、局部误差分析和面向部署的效率评估提供了实证证据，以阐明FiLM条件代理模型在此设置中的实用价值。
总体研究流程如图1所示。
本文其余部分组织如下。第2节介绍CFD设置、数据集构建、模型配置和评估指标。第3节报告定性和定量结果，包括受控条件比较、局部误差模式和部署端效率。第4节展示补充分析和讨论。第5节讨论局限性和未来工作。第6节总结全文。

方法
本节介绍用于评估FiLM条件卷积神经网络在室内CFD代理建模中的方法论框架。基于第1节确定的问题表述和研究空白，我们描述了CFD建模和数据集构建过程、数据预处理和输入表示、代理模型架构以及评估协议。这种组织方式使得能够在不同条件策略之间进行公平且受控的比较。
预测场的空间可视化
首先可视化预测的温度场及相应的带符号误差图，以检查空间预测质量和代表性失效模式。带符号误差定义为预测值减去CFD参考值，因此正值表示高估，负值表示低估。代表性示例显示，所有基于CNN的代理模型都能恢复整体温度分布，但在强梯度区域出现明显差异。
无需空间信息的CNN-FiLM性能
为隔离条件注入的效果而不依赖丰富的几何描述符，我们评估了CNN-FiLM-C0，一个仅保留最小空间通道设置的缩减变体。如表12所报告，该变体仍能达到稳定的测试误差（MAE = 0.486 K，MSE = 0.601 K2，NRMSE = 0.0422），支持了仅凭FiLM调制即可从低维边界和运行条件中捕捉大部分全局热响应的结论。
作为参考，此处的比较基线是

局限性与未来工作
以上结论应结合几个重要局限性来理解。首先，所有实验均在单一建筑情境下进行，因此跨建筑类型和通风布局的可迁移性尚未得到验证。关于普遍泛化能力的论断需要进一步证据来支撑。

因此，所报告的FiLM优势应在此固定结构化网格CNN设计空间内，相对于所比较的调控路径进行解读，而非……

## 结论

本研究解决了室内CFD代理模型中的一个核心问题：如何将低维边界与操作条件有效地注入高维3D热场预测中。我们将逐特征线性调制（FiLM）引入CFD代理建模，并在一个受控对比框架下进行了评估。该框架固定了骨干网络架构、输入表示、掩膜策略和训练协议，仅改变调控路径。此设计……

## CRediT作者贡献声明

Yanjie Li：撰写——初稿，可视化，验证，软件，方法学，调查，形式化分析，数据管理，概念构思。Lige Zhao：验证，方法学，概念构思。Zhe Wang：撰写——审阅与编辑，资源，项目管理，经费获取，概念构思。Dengbo He：项目管理，概念构思。Yongxin Xie：资源，调查，经费获取。

## 利益冲突声明

作者声明他们没有任何已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。

## 致谢

作者感谢海岸城市气候韧性强基实验室（ITC-SKLCRCC26EG01）和基础研究资助计划（MRF）（PTU-24034）的支持。

Yanjie Li | Lige Zhao | Zhe Wang | Dengbo He | Yongxin Xie

香港科技大学土木及环境工程系海岸城市气候韧性强基实验室，中国香港