Caracterización del perfil de viento en el dosel urbano no neutro utilizando simulaciones CFD: un enfoque basado en datos
Autores: Chockalingam, Ganesh; Afshari, Afshin; Vogel, Julian
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Caracterización del perfil de viento en el dosel urbano no neutro utilizando simulaciones CFD: un enfoque basado en datos
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Perfiles de viento
Dosel urbano
Aprendizaje automático
Simulación CFD
Morfologías urbanas
Modelo sustituto
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Los perfiles de viento promediados horizontalmente dentro del dosel urbano se utilizan en muchos estudios y modelos numéricos. Los modelos analíticos existentes solo son aplicables a un pequeño rango de relaciones de aspecto y, en su mayoría, a condiciones atmosféricas neutras debido a sus supuestos subyacentes. En este estudio, se desarrolla un modelo sustituto para predecir los perfiles de viento promediados horizontalmente en los cañones de las calles de un dosel urbano idealizado para una amplia gama de morfologías urbanas y escenarios de forzamiento térmico, con la ayuda de técnicas de aprendizaje automático y datos de simulación de dinámica de fluidos computacional (CFD). La influencia de los parámetros morfológicos urbanos, la estabilidad atmosférica y las condiciones del viento en el flujo de viento del dosel urbano se modela utilizando algoritmos de aprendizaje automático aplicados a los resultados de simulación CFD. El modelo numérico se valida utilizando datos de túnel de viento. Se realizan simulaciones de Reynolds promediadas en estado estacionario (RANS) con un modelo de turbulencia estándar para 252 condiciones de simulación diferentes en una geometría de edificio idealizada que consiste en una matriz regular de 4 x 4 cubos. Los resultados de la simulación se promedian horizontalmente para obtener los perfiles de velocidad y temperatura media. Se desarrollan modelos sustitutos utilizando las salidas de la simulación como ejemplos de entrenamiento y se elige el mejor modelo comparando el rendimiento de diferentes modelos de aprendizaje automático. El modelo de red neuronal artificial (ANN) sustituto de este estudio supera a los modelos actuales de vanguardia en la predicción del perfil de viento medio promediado horizontalmente dentro del dosel urbano. El error medio (ME) y el error cuadrático medio (RMSE) del modelo ANN de predicción de puntos discretos de este estudio son 0.016 m/s y 0.060 m/s, respectivamente, lo que es significativamente menor en comparación con el mejor de los modelos tradicionales, para los cuales los errores son 0.048 m/s y 0.387 m/s, respectivamente.
Descripción
Los perfiles de viento promediados horizontalmente dentro del dosel urbano se utilizan en muchos estudios y modelos numéricos. Los modelos analíticos existentes solo son aplicables a un pequeño rango de relaciones de aspecto y, en su mayoría, a condiciones atmosféricas neutras debido a sus supuestos subyacentes. En este estudio, se desarrolla un modelo sustituto para predecir los perfiles de viento promediados horizontalmente en los cañones de las calles de un dosel urbano idealizado para una amplia gama de morfologías urbanas y escenarios de forzamiento térmico, con la ayuda de técnicas de aprendizaje automático y datos de simulación de dinámica de fluidos computacional (CFD). La influencia de los parámetros morfológicos urbanos, la estabilidad atmosférica y las condiciones del viento en el flujo de viento del dosel urbano se modela utilizando algoritmos de aprendizaje automático aplicados a los resultados de simulación CFD. El modelo numérico se valida utilizando datos de túnel de viento. Se realizan simulaciones de Reynolds promediadas en estado estacionario (RANS) con un modelo de turbulencia estándar para 252 condiciones de simulación diferentes en una geometría de edificio idealizada que consiste en una matriz regular de 4 x 4 cubos. Los resultados de la simulación se promedian horizontalmente para obtener los perfiles de velocidad y temperatura media. Se desarrollan modelos sustitutos utilizando las salidas de la simulación como ejemplos de entrenamiento y se elige el mejor modelo comparando el rendimiento de diferentes modelos de aprendizaje automático. El modelo de red neuronal artificial (ANN) sustituto de este estudio supera a los modelos actuales de vanguardia en la predicción del perfil de viento medio promediado horizontalmente dentro del dosel urbano. El error medio (ME) y el error cuadrático medio (RMSE) del modelo ANN de predicción de puntos discretos de este estudio son 0.016 m/s y 0.060 m/s, respectivamente, lo que es significativamente menor en comparación con el mejor de los modelos tradicionales, para los cuales los errores son 0.048 m/s y 0.387 m/s, respectivamente.