用于室内污染物快速扩散预测的双层聚合图神经网络

《Applied Sciences》：A Dual-Layer Aggregation Graph Neural Network for Rapid Indoor Pollutant Dispersion Prediction

　　

快速城市化以及室内活动时间占比的不断提高，加剧了人们对室内空气质量和公共健康的关注。对室内污染物扩散进行快速可靠的预测，对于建筑优化设计和基于风险的应急响应至关重要。为实现高效的室内污染物扩散预测，本研究提出了一种具有双层聚合和图增强的图神经网络（Graph Neural Network, GNN）框架，以解决传统GNN的若干局限性，包括感受野受限、长距离信息传播效率低以及捕获长距离依赖能力不足等问题。采用图数据增强来丰富浓度场分布的多样性，同时引入双层聚合机制以扩大感受野并增强消息传递效率。具体而言，节点特征首先从相邻边聚合以捕获局部信息，随后进一步跨节点聚合以融合全局上下文特征，从而能够对长距离物理依赖进行建模。在多种建筑布局下的验证表明，所提出的模型能够有效捕获远距离房间内污染物扩散的物理特征，并准确预测不同布局下的有毒气体扩散，决定系数（R²）高达0.97，同时计算速度比传统计算流体力学（Computational Fluid Dynamics, CFD）求解器快约一个数量级。

**论文解读：基于双层聚合图神经网络的室内污染物扩散快速预测**

**1. 研究背景与问题**
随着快速城市化，人们在室内活动的时间占比不断增加，室内空气质量与公共健康的关联日益受到重视。室内空间如交通枢纽、商业综合体、教育设施及工业建筑正面临日益复杂的空气污染物来源。在封闭环境中，危险气体的意外泄漏对公共安全和城市韧性构成严重威胁，因此准确且高效的室内污染物扩散预测对通风设计、应急疏散和风险缓解至关重要。计算流体力学（Computational Fluid Dynamics, CFD）通过数值求解Navier-Stokes方程和浓度输运方程，能够提供详细、准确的浓度分布，但其高昂的计算成本限制了在实时应急响应场景中的应用。已有加速方法如快速流体力学、状态空间流体力学和马尔可夫链方法虽然提升了效率，但本质上仍依赖偏微分方程的迭代求解，且各自存在精度下降或适应性有限等短板。基于深度学习的替代模型，尤其是适用于非结构化数据的图神经网络（Graph Neural Network, GNN），为室内污染物扩散预测提供了新思路，但传统GNN存在感受野有限、长距离信息传播效率低和长程依赖建模能力不足等问题。为此，研究人员提出了DAGA-GNN模型，旨在实现快速、高精度的室内有毒气体扩散预测。

**2. 研究内容与意义**
该论文发表在《Applied Sciences》。研究人员构建了基于编码器-处理器-解码器架构的DAGA-GNN模型，通过双层聚合机制和图数据增强策略，有效扩大了感受野并增强了消息传递效率，使模型能够捕捉室内污染物扩散中的长距离物理依赖。在多种建筑布局下的验证结果表明，该模型能够准确预测不同布局下的有毒气体扩散过程，决定系数（R²）最高达到0.97，计算速度比传统CFD求解器快约一个数量级。这一成果为室内空气质量实时评估和基于风险的应急决策提供了有效工具，也为智能建筑和可持续城市治理提供了技术支撑。

**3. 主要关键技术方法**
研究采用以下主要技术方法：将CFD网格转换为图结构，节点特征包括速度、压力、浓度和节点类型，边特征为相邻细胞间的物理差异和几何距离；设计双层线性层编码器将物理量映射为128维隐特征，解码器通过前向欧拉积分递推预测下一时刻状态；提出双层聚合机制，第一层将相邻边特征聚合到共享顶点，第二层将顶点特征聚合到细胞中心，以扩大感受野并增强长距离信息传播；采用基于SO(2)旋转群的图数据增强，对网格坐标、速度场和浓度场进行协同旋转，在不生成新物理状态的前提下增加训练样本的方向多样性；数据预处理包括浓度场阈值化、线性缩放、对数变换和Z-score标准化；训练采用80%/20%训练/测试划分，Adam优化器，L2损失，并以归一化均方误差（NMSE）和相关系数R²作为评估指标。数据集来源为使用OpenFOAM v2212对280个建筑模型进行的二维CFD瞬态仿真。

**4. 研究结果**
**4.1 模型预测精度评估**
通过在单源泄漏、多源泄漏以及带障碍物等不同场景下与CFD模拟结果进行对比，研究人员发现，所提出的神经网络模型能有效捕捉计算域内的流动动力学特性，预测的污染物浓度场连续平滑，能反映房间边界对气流的阻挡效应，并再现涡结构的产生、输运和消散过程。在30秒自回归预测中，L2误差逐渐收敛到约2.7×10^-4，未出现发散。在单源泄漏场景中，预测与CFD的浓度平均绝对误差为0.184，超过71%的监测点误差低于该平均值，整体R²达到0.92；在多源场景中平均绝对误差为0.454；在带障碍物的复杂室内场景中，障碍物下游尾流区域的R²超过0.97，总体R²达到0.97。

**4.2 预测速度分析**
通过比较DAGA-GNN模型在NVIDIA GeForce RTX 4090 GPU上的推理时间与OpenFOAM求解器在64核CPU上的模拟时间，研究人员发现模型在所有测试场景中均比CFD快约一个数量级，且网格规模越大，加速优势越明显。虽然模型构建需要离线CFD仿真和网络训练等一次性预处理成本，但训练完成后即可对新场景进行快速推理。

**4.3 消融研究**
研究人员将DAGA-GNN与具有相同网络深度的传统GNN在相同训练轮数下进行对比，结果显示DAGA-GNN的R²为0.95、NMSE为0.32，而传统GNN分别为0.88和0.39。在远离污染源的区域，传统GNN预测的浓度场出现空间连续性减弱、浓度梯度模糊和局部预测伪影等现象，而DAGA-GNN则与CFD结果保持较好一致性。这表明双层聚合机制通过层次化特征整合有效扩大了网络的感受野，增强了图内非局部信息的传播能力，从而改善了远离污染源区域的浓度分布预测。

**5. 讨论与结论**
论文讨论部分指出，DAGA-GNN能够为模拟的复杂室内环境提供快速的气流和污染物浓度联合预测；图数据增强通过增加浓度场的方向多样性，提高了有限CFD训练数据的利用效率；双层聚合机制扩大了有效感受野，增强了对远程污染物输运的预测能力。研究结论部分强调，在模拟室内环境下的验证表明，DAGA-GNN能够准确再现CFD预测的有毒气体浓度场，R²最高达0.97，与常规CFD方法相比，计算时间减少约一个数量级，同时保持较高的预测精度。该框架为室内实时空气质量管理与应急决策提供了有力支撑。