结合建筑人为热排放的物理信息深度学习模型，用于预测室外温度场

《BUILDING AND ENVIRONMENT》：Physics-informed deep learning model for predicting outdoor temperature field incorporating building anthropogenic heat emission

　　摘要
建筑人为热排放（AHE）加剧了局部热环境并增加了制冷需求，而由于复杂的气流和热传递过程，室外空气温度场的快速和重复预测仍然具有挑战性。本研究开发了一个基于计算流体动力学（CFD）的、包含物理信息的深度学习框架，用于在AHE条件下预测室外空气温度场。主要预测模型采用物理信息多层感知器（PI-MLP），并引入了物理信息图神经网络（PI-GNN）作为额外的基于图的支撑结构。这两种模型都结合了稳态平流-扩散能量方程的残差和在给定CFD导出的局部速度场下的AHE源项。提出的模型与传统的数据驱动模型进行了比较，包括图神经网络（GNN）、支持向量机（SVM）、极端随机树（ERT）和多层感知器（MLP），使用平均相对误差（MRE）、平均绝对误差（MAE）、均方根误差（RMSE）和R2作为评估指标。CFD参考结果显示，PI-MLP取得了最佳的整体预测性能。与MLP相比，PI-MLP将MRE、MAE和RMSE分别降低了71.4%、77.9%和71.2%，同时将R2提高了50.8%。在有限的训练数据下，即使训练数据比例为0.01，PI-MLP也能达到R2=0.859。在应用场景中，CFD参考的R2范围为0.930至0.988，最大温差为0.58°C。这些结果表明，所提出的框架能够在数据集建立后，在规定的几何形状和参数范围内支持快速和重复的CFD参考温度场预测。

引言
快速的城市化改变了地表特征，增加了能源消耗，尤其是通过密集的空调运行，从而增加了室外热环境对气候变化的脆弱性[1]。根据IPCC的第六次评估报告，预计到本世纪末全球平均表面温度将上升2.4至4.4°C，这预计将显著加剧极端热事件[2,3]。升高的城市温度直接增加了建筑的制冷能源需求，并在密集建筑环境中加剧了热风险[4]，形成了建筑与周围热环境之间的强烈相互作用。建筑人为热排放（AHE）是加剧城市热岛效应和增加制冷能源需求的关键因素之一。准确表示建筑AHE在室外热环境预测中是必要的，以便理解建筑物周围的局部热量积累并支持有效的热缓解策略。这种局部热环境的可靠预测还为热环境评估[5]、热风险缓解[6]和建筑能源系统运行[7]提供了技术基础。然而，热缓解策略的有效性仍然依赖于在复杂边界条件下室外空气温度场的可靠和高效预测。
由于建筑形态、气象强迫、表面热属性和湍流结构的共同作用，室外温度场的预测具有很强的非线性和明显的时空耦合[8]。由建筑群引起的复杂流动现象，如流动分离、再循环和尾流相互作用，产生了高度异质的温度场，这些无法通过经验模型或单点气象观测来可靠表示[9]。此外，室外热过程受多种热传递机制的控制，这些机制的相对重要性随时间变化。太阳辐射在白天占主导地位，而夜间条件越来越多地受到热量储存释放和人为热排放（AHE）的影响[10]。这种主导机制的变化引入了额外的敏感性和不确定性到温度预测中。强烈的反馈效应进一步复杂化了室外温度场的预测：升高的空气温度增加了建筑的制冷需求，由此产生的显热释放加剧了局部升温[11]。这些耦合过程强调了在预测室外热环境时考虑AHE的必要性，特别是在街道尺度上。
现有研究主要使用计算流体动力学（CFD）模型或传统的数据驱动方法来研究室外热环境。然而，这些预测的可靠性取决于对人为热排放（AHE）的准确表示。实际上，在室外热环境预测中，尤其是来自建筑和空调系统的废热，经常被忽略或简化。这是有问题的，因为AHE可以通过持续的热量释放显著修改近表面温度场。先前的研究报道，在某些条件下，AHE可贡献高达54%的城市热岛强度，并使地表附近的空气温度升高超过4°C[12]。因此，忽略或简化AHE可能导致低估室外热强度，并降低微气候预测的可靠性[13]。AHE对室外热环境的影响已在北美[14]以及中国[15,16]、马来西亚[17]和新加坡[13]等国家进行了研究。尽管如此，将AHE准确纳入室外微气候预测仍然具有挑战性。
虽然计算流体动力学（CFD）模型提供了高保真的解决方案，但其高昂的计算成本限制了其在不同建筑热排放情景下快速或重复预测室外热环境的适用性[18,19]。相比之下，由于其计算效率和处理多源数据的能力，数据驱动方法越来越多地被用于AHE预测。钱等人[20]使用能耗清单机器学习模型研究了七个典型中国的AHE情况，证明机器学习模型可以重建AHE的高分辨率空间分布。冯等人[16]比较了中国全国范围的线性回归、随机森林和反向传播神经网络的量化结果，发现19个城市的平均AHE范围为0.28至2.6 W/m2。何等人[21]利用随机森林分类计算了新加坡的AHE，发现建筑AHE占净辐射的9%。然而，这些研究强调了机器学习模型可解释性的必要性。在极端炎热或AHE较高的情景下，传统数据驱动模型的预测准确性可能会表现出与物理不一致的趋势[22]，从而限制了它们在包含AHE的室外热环境中的适用性。
物理信息神经网络（PINN）作为一种深度学习框架，最近作为一种将物理约束整合到数据驱动预测中的有用框架而出现[23]。通过将残差纳入学习过程，PINN可以在保留神经网络快速推理能力的同时，用先验物理信息规范预测场[24,25]。如表1所示，PINN已应用于各种热场景的温度预测。与传统CFD求解器不同，PINN可以在训练后学习输入变量和目标场之间的连续映射，从而降低在训练参数空间内重复预测的计算成本。与传统数据驱动模型相比，PINN还可以在数据稀缺条件下提高预测稳定性[35]。先前的研究表明，当训练数据大幅减少时，PINN的预测误差通常增加不到10%，而传统数据驱动模型在类似条件下可能会出现超过30%的误差增加[26]。尽管PINN已应用于几种热问题的温度预测，但其应用于包含建筑AHE的室外温度场预测仍然有限。准确预测室外热环境需要在物理可解释性、预测准确性和计算效率之间取得平衡。因此，本研究开发了一个基于CFD的、包含物理信息的深度学习框架，用于在建筑AHE条件下预测室外空气温度场。
本研究提出了一个基于CFD的、包含物理信息的深度学习框架，用于预测室外空气温度场。首先，进行CFD模拟以生成温度样本、局部速度分量和模型训练及物理损失评估所需的边界条件参数。局部速度分量被用作评估能量方程残差中平流项的指定辅助物理系数。其次，通过结合稳态平流-扩散能量方程的残差和AHE源项，制定了一个包含物理信息的深度学习框架。第三，使用四个评估指标比较了物理信息深度学习模型的性能与传统数据驱动模型的性能，重点关注训练数据集大小的影响。最后，将所提出的框架应用于一个经过验证的街道街区数值案例，以检验其在给定CFD导出流动条件下的重复CFD参考温度场的适用性。
本研究的主要贡献如下：1）开发了一个基于CFD的、包含物理信息的深度学习框架，用于在建筑AHE条件下预测室外空气温度场。2）通过与传统数据驱动模型和消融参考模型的比较，评估了物理信息残差对温度场预测准确性的贡献。3）将所提出的框架应用于一个经过验证的街道街区数值案例，以评估其在规定几何形状和参数范围内的重复温度场预测的适用性。

方法论
图1展示了本研究的整体工作流程，包括数值模拟、数据集构建、物理信息模型开发和模型评估以及应用分析。首先建立了一个代表性的城市住宅区，然后使用ANSYS Fluent模拟了建筑AHE下的风和温度场。接着从CFD结果中提取了空气温度样本、局部速度分量、空间坐标和边界条件参数。

CFD模型
如图7(a)所示，使用Allegrini等人[59]的风洞实验数据来验证CFD模型。实验再现了由空调排气和浮力共同作用驱动的混合对流。计算域和边界条件与风洞设置保持一致。选择了2.32 m/s的参考风速（UFS）和17.29的弗劳德数进行比较和验证。在测试线上选择了45个点。

应用场景描述
为了评估所提出的包含物理信息的深度学习框架在给定流动条件下的适用性，将PI-MLP模型应用于包含建筑AHE的街道街区案例，如图14所示。主要模拟设置总结在表S7[26]中。研究区域包括混合用途的建筑群，如办公楼和住宅楼，具有由于不同占用模式和制冷需求而产生的不同AHE。几何配置和...

结论
本研究开发了一个基于CFD的、包含物理信息的深度学习框架，用于在建筑AHE条件下预测CFD参考的室外空气温度场。使用经过验证的CFD模拟生成了温度样本、局部速度分量和边界条件参数。使用非均匀网格数据训练了物理信息深度学习模型（PI-MLP和PI-GNN）和传统数据驱动模型（GNN、SVM、ERT和MLP）。研究了训练数据集大小对预测的影响。

作者贡献声明
朱翔：概念化、研究、方法论、撰写——原始草稿。林浩楠：数据整理、验证。周晓青：资金获取、方法论、撰写——审阅与编辑。范成良：资金获取、方法论、撰写——审阅与编辑。崔永波：方法论。徐雅茹：研究。

广州大学土木与交通学院，广州，510006，中国