在吊扇重新配置的情况下，对可泛化的室内气流场替代模型进行基于配置意识的表示

《BUILDING AND ENVIRONMENT》：Configuration-aware representation for generalizable indoor airflow field surrogates under ceiling fan reconfiguration

　　摘要
吊扇通过提供较高的风速来增强对流冷却效果。结合空调使用，它们可以在保持热舒适度的同时提高冷却设定值，从而大幅节省能源。数据驱动的替代模型已经支持了用于设计探索的参数推断。为了提高泛化能力，最近的研究将先验知识 incorporated into model inputs、架构或训练目标中，以应对不完整的边界条件和几何变化。然而，现有的替代模型通常在固定的操作场景下进行评估，其性能对训练数据中配置的覆盖范围非常敏感。本研究开发了一种能够感知配置的表示方法，用于预测不同吊扇配置下的室内风速场。每个风扇的位置、运行状态和风扇产生的动量被编码为在目标网格上定义的可微分源场，并与多种模型架构结合使用。利用在受控室内八个风扇配置下测量的风速数据，我们在未包含的配置下评估了这些模型。与仅基于几何的基线模型相比，所提出的表示方法将平均绝对误差降低了35%，并将与真实值的空间相关性提升至0.815。在未包含的配置中，采用所提出表示方法的傅里叶神经算子模型达到了最高的准确率，并将平均绝对误差的标准差降低了一半，而卷积神经网络在测试配置偏离训练范围时难以恢复局部流动特征。所提出的框架使得在测试室和风扇阵列设置中能够快速评估吊扇配置。通过进一步的验证，这种表示原则可以为更广泛的迁移提供物理上可解释的基础。

引言
提高居住区的风速可以增强人体的对流和蒸发散热，从而在温暖条件下改善热舒适度[1]，[2]。ASHRAE 55明确将这种效应视为一种有效的热舒适路径[3]。实际上，这些好处通常由诸如吊扇、桌面风扇、壁挂风扇和其他个人冷却设备等居住者层面的空气流动装置提供。现场证据表明，使用吊扇和桌面风扇可以在将冷却设定值从24.5度提高到26度的同时保持热舒适度，从而将冷却能耗降低32%，过度冷却情况从33%减少到9%[4]。
在这些设备中，吊扇广泛用作自然通风空间中的主要冷却设备[4]，并且越来越多地作为机械冷却的节能补充[5]，[6]。它们可以以非常低的运营能耗为多位居住者提供受控的气流[7]，[8]，并扩大可接受的室内温度范围而不增加空调负荷[9]。然而，冷却效果本质上是不均匀的。由此产生的局部风速以及多风扇设置中的风扇相互作用模式强烈依赖于风扇的转速和布局[10]，[11]。因此，在设计阶段需要快速预测由此产生的气流场，以便评估未见过的风扇配置下的舒适度结果，并解决具有不同热偏好居住者的局部条件[13]。
吊扇的旋转叶片产生局部动量，并在居住区内形成结构化的气流分布。下降的气流主要作为环形气流留在风扇叶片直径范围内。当气流撞击地面或家具时，它会沿着地板或工作表面横向扩散，然后沿着墙壁上升，最后回到房间内部[9]，[14]。全场测量将这种行为组织成几个特征区域，包括风扇气流核心、地面撞击区、向外扩散区、墙壁区和大的低速卷吸区，而全室速度测量还增加了叶片上方的吸力区和侧面再循环区[15]。这些机制创造了房间内风速的水平和垂直变化。

先前的研究表明，最终的气流分布受到风扇配置和房间环境变量的共同影响。单台风扇的全尺寸实验室测试表明，风扇的速度、直径和运行方向是决定居住区内风速的主要因素[16]。相比之下，叶片几何形状仅改变了风扇正下方圆柱形区域内的气流轮廓，并且高度平均速度的变化不到10%[14]。这对全身冷却的贡献很小，因为对流散热仅与风速的平方根成正比[9]。此外，风扇正下方出现高风速和低湍流强度（15%）的情况，而在房间的其他地方则出现低风速和高湍流强度（35%）[6]。因此，居住者感受到的冷却效果也强烈依赖于其相对于风扇的位置。对于设计而言，相关的是完整的三维速度场，而不仅仅是基于区域的平均风速。
目前，获取给定配置下的这个速度场依赖于直接测量或数值模拟。概念模型已经被考虑用来描述吊扇下异质的气流模式。Gao等人用一个定性的简化模型来表示吊扇和家具下的室内气流，作为设计参考[9]。Raftery等人则通过假设一个中心放置风扇的方形房间，提供了一个广泛的风扇诱导风速近似值。该模型根据房间和风扇几何的无量纲描述符预测总体风速指数[16]。然而，局部操作变化会影响其直接邻近区域以外的气流响应。无论是定性参考还是总体回归都无法支持多风扇配置下的快速全场预测。
室内气流场预测传统上依赖于计算流体动力学（CFD），后者通常通过数值求解纳维-斯托克斯（N-S）方程以及能量和标量传输方程来获得空间分辨率的结果，特别是在热舒适度和污染物浓度评估方面[17]，[18]。Calzolari等人总结了计算成本、边界条件敏感性、高专业要求以及精度与效率之间的权衡是其工作流程中的实际障碍[19]。在吊扇应用中，这种权衡尤为突出，因为目标流动包含了旋转叶片和风扇附近气流的影响[14]，同时风扇诱导的气流与天花板和地板的相互作用也非常强烈，因此全场测量和模拟都十分困难[15]。
为了加速室内气流预测，已经开发了数据驱动的替代模型作为主要的快速参数推断方法。黑箱模型（例如基于树的模型、梯度提升机、人工神经网络）被训练来学习有限维设计或控制参数与标量输出之间的映射[20]，[21]。在吊扇应用中，Raftery等人使用房间和风扇几何的无量纲描述符拟合了最低、加权平均值和最高测量的室内风速[16]。该模型在一个中心放置风扇的方形房间假设下提供了风扇诱导风速的广泛近似。该模型在训练过程中考虑了空间结构，但无法扩展到速度不均匀或布局不对称的多风扇空间，因为局部操作变化会影响其直接邻近区域以外的气流响应。现有模型也更多依赖于训练数据中采样的经验资源，限制了它们对未见设计变量或边界条件的泛化能力[19]，[22]。
这些局限性促使人们从两个方向改进模型的泛化能力。第一个方向是在观测数据有限的情况下提高模型的鲁棒性。例如，物理信息驱动的神经网络（PINNs）将物理定律嵌入学习目标中和/或神经网络的显式约束中，作为密集数据覆盖的替代方案[23]，[24]，而基于子域的增强通过从原始计算网格中提取局部区域来增加样本数量[25]，[26]。然而，这些方法主要是为了在采样的操作设置和强制范围内实现最佳传感器布置和提高数据效率而设计的。第二个方向是通过将空间上下文编码为额外的模型组件来提高对几何或配置变化的泛化能力。基于几何的编码，如符号距离函数（SDF/UDF）和图神经网络架构中的图结构，描述了房间级别的空间信息，包括入口和出口的位置[27]、室内障碍物[25]和墙壁表面[28]。然而，在本研究考虑的多风扇设置中，气流场随着设备位置、运行状态和动量输入的变化而显著变化。变化的主要来源不仅是房间几何形状，还有运行配置：活跃设备的位置以及它们对流动的强制程度。将这些因素压缩成低维描述符可能会导致监督学习中的映射问题，因为多种操作条件及其气流响应可能对应于相同的输入。
神经算子（NO）替代模型可以近似函数空间之间的映射[29]，并在适度推理成本下展示出气流场预测的潜力。例如，傅里叶神经算子（FNO）通过光谱变换耦合信息，以表示非局部空间依赖性[30]。这种方法已应用于在不同障碍物位置下重建固定通风设计下的气流场[25]。它在闭环通风控制中展示了价值，通过预测时空污染物动态[31]。与预测房间平均CO2水平的神经网络相比，FNO在测试案例中实现了16-47%的节能效果。与动态降阶模型相比，它将CO2违规情况减少了高达8%甚至降至零。然而，现有研究主要针对具有相似或固定气流轮廓的气流场预测来评估NO架构[26]，[31]，[32]，并将系统设计和操作参数视为低维描述符。因此，现有模型未能解决跨设备布局的泛化问题，并可能低估了系统配置对气流场的影响。
先前的研究在预测未见过的风扇配置下的室内气流方面的研究存在不足：在问题方面，现有的室内气流替代模型是在固定操作场景下开发和评估的，它们在房间规模上跨设备配置的泛化能力尚未得到评估。在方法方面，建模实践使用几何编码来描述房间，但忽略了活跃系统引入的气流模式。尽管基于NO的研究很有前景，但它们的性能仍然依赖于具体案例，并且对训练数据覆盖范围敏感。现有的NO研究尚未充分解决如何在未见过的操作配置下鲁棒地表示配置信息的问题。
为了填补这些空白，本研究开发并评估了一个可泛化的替代建模框架，该框架可以预测可重新配置的吊扇运行下的完整气流场。我们提出了一种能够感知配置的编码方法，将风扇位置、运行状态和动量输入表示为与目标气流网格对齐的密集空间场。为了将表示设计的贡献与架构选择分开，我们使用基于网格的卷积神经网络（CNN）和基于光谱的FNO实现了该框架。通过实验测量，我们在未包含在训练中的配置上评估了模型变体。除了预测准确性和鲁棒性之外，我们还讨论了预测误差与训练配置的局部分布覆盖范围之间的关系。这种替代模型支持在设计阶段快速评估候选的吊扇配置。更广泛地说，这种编码提供了一种表示原则，可以适应其他局部终端设备，并通过适当的设备物理验证进行扩展。

问题表述
如何向模型呈现风扇配置是很重要的。以往的研究将单个风扇配置编码为由房间几何、风扇几何和运行速度组成的潜在特征[16]。这种条件化并没有明确表示每个风扇预期会在多风扇设置中影响哪个区域以及影响的范围。模型必须仅从数据中隐式推断气流模式和多风扇之间的相互作用，这将增加所需的训练覆盖范围。

数据集描述
实验数据来自受控实验室测量[37]。该房间配备了六个Haiku L系列吊扇，风扇直径为1.32米。图4显示了吊扇的放置位置，其中风扇位置由风扇中心定义。每个风扇的叶片平面距离地面2.2米，距离天花板0.4米。相邻风扇之间的中心间距为3.6米，风扇中心到最近墙壁的最小距离为1.6米。

图5总结了所有30种配置划分下表示变体A到E的预测性能，报告了每个指标的平均值、标准差和第95百分位数。仅基于几何的基线模型（A）表现较差，因为它不包含关于风扇配置的信息。因此，不同的操作配置是从几乎相同的输入映射得出的，这迫使模型产生一个平均响应。然而，仅通过添加标量配置描述符（B），就能对泛化行为进行空间诊断。本研究证明了，适当的基于配置的编码方式能够使FNO和CNN在未见过的场景中实现比仅使用几何编码更高的预测准确性和空间保真度。此外，我们研究了两组具有不同局部气流分布变化的测试案例，这些变化通过JSD的空间分布和幅度来表征。研究的目的不仅是可视化预测误差，还要解释两种方法之间的鲁棒性差异。

结论：本研究提出了一种基于配置的表示方法，以提高室内气流场替代模型在未见配置下的可学习性。空间分辨的表示方式比仅使用几何信息或全局广播的配置描述符能够更一致地学习气流模式。关键因素在于配置信息是否在单个设备的尺度上得到了解析。该方法提高了对未见过的、非均匀配置的泛化能力，减少了误差。

作者贡献声明：
张一婷：撰写 – 原稿撰写、可视化、验证、方法论、调研、形式分析、数据管理、概念化。
梁伟：撰写 – 审稿与编辑、方法论。
雷跃：撰写 – 审稿与编辑。
巴克尔·罗曼：撰写 – 审稿与编辑、数据管理。
陈健伟：撰写 – 审稿与编辑。
出原一平：撰写 – 审稿与编辑。
宫田茂平：撰写 – 审稿与编辑。
钟阿德里安：撰写 – 审稿与编辑。

利益冲突声明：作者声明没有已知的财务利益冲突或可能影响本文工作的个人关系。

致谢：本研究得到了三肯 Setsubi 工业株式会社（授予编号A-8002007-00-00）以及日本科学技术机构（JST）和新加坡科技研究局（A*STAR）的联合项目的支持（项目编号JST 和 A*STAR 2024；日本拨款编号JPMJNX25C8）。作者感谢Kajima Pte Ltd提供研究设施的使用权。本文中表达的观点、意见、发现、结论或建议仅代表作者本人，并不代表相关机构的立场。

作者信息：
张一婷 | 梁伟 | 雷跃 | 巴克尔·罗曼 | 陈健伟 | 出原一平 | 宫田茂平 | 小野英一 | 钟阿德里安
新加坡国立大学设计与工程学院 建筑环境系，新加坡