Predicción Rápida de CFD Basada en un Modelo Suplementario de Aprendizaje Automático en el Entorno Construido: Una Revisión
Autores: Mao, Rui; Lan, Yuer; Liang, Linfeng; Yu, Tao; Mu, Minhao; Leng, Wenjun; Long, Zhengwei
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Predicción Rápida de CFD Basada en un Modelo Suplementario de Aprendizaje Automático en el Entorno Construido: Una Revisión
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Mecánica
Palabras clave
Dinámica de fluidos computacional
Entorno construido
Modelado sustituto
Aprendizaje automático
Arquitecturas de redes neuronales
Campos de flujo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La dinámica de fluidos computacional (CFD) se considera una herramienta importante para analizar el campo de flujo, el entorno térmico y la calidad del aire en el entorno construido. Sin embargo, para las aplicaciones en el entorno construido, el alto costo computacional de la CFD dificulta la simulación de escenarios a gran escala y la optimización del diseño eficiente. En el campo de la investigación del entorno construido, la modelización de sustitutos se ha convertido en una tecnología clave para conectar las necesidades de simulación CFD de alta fidelidad y predicción rápida, mientras que la naturaleza de baja dimensión de los modelos de sustitutos tradicionales no puede igualar la complejidad física y las necesidades de predicción de los campos de flujo construidos. Por lo tanto, combinar el aprendizaje automático (ML) con la CFD para predecir campos de flujo en entornos construidos ofrece una forma prometedora de aumentar la velocidad de simulación mientras se mantiene una precisión razonable. Esta revisión revisa brevemente los modelos de sustitutos tradicionales y se centra en los modelos de sustitutos basados en ML, especialmente en la aplicación específica de arquitecturas de redes neuronales para predecir rápidamente campos de flujo en el entorno construido. La revisión indica que el ML acelera los tres aspectos centrales de la CFD, a saber, el preprocesamiento de mallas, la resolución numérica y la visualización post-procesamiento, con el fin de lograr una simulación CFD acoplada eficiente. Aunque los modelos de sustitutos de ML aún enfrentan desafíos como la disponibilidad de datos, el acoplamiento de campos multifísicos y la capacidad de generalización, la aparición de técnicas de mejora de datos impulsadas por información física alivia efectivamente los problemas mencionados. Mientras tanto, la integración de métodos tradicionales con ML puede mejorar aún más el rendimiento integral de los modelos de sustitutos. Notablemente, el ministerio en línea de modelos de ML entrenados utilizando estrategias de transferencia de aprendizaje merece una investigación más profunda. Estos avances proporcionarán una base importante para avanzar en soluciones operativas eficientes y precisas en el diseño y operación de edificios sostenibles.
Descripción
La dinámica de fluidos computacional (CFD) se considera una herramienta importante para analizar el campo de flujo, el entorno térmico y la calidad del aire en el entorno construido. Sin embargo, para las aplicaciones en el entorno construido, el alto costo computacional de la CFD dificulta la simulación de escenarios a gran escala y la optimización del diseño eficiente. En el campo de la investigación del entorno construido, la modelización de sustitutos se ha convertido en una tecnología clave para conectar las necesidades de simulación CFD de alta fidelidad y predicción rápida, mientras que la naturaleza de baja dimensión de los modelos de sustitutos tradicionales no puede igualar la complejidad física y las necesidades de predicción de los campos de flujo construidos. Por lo tanto, combinar el aprendizaje automático (ML) con la CFD para predecir campos de flujo en entornos construidos ofrece una forma prometedora de aumentar la velocidad de simulación mientras se mantiene una precisión razonable. Esta revisión revisa brevemente los modelos de sustitutos tradicionales y se centra en los modelos de sustitutos basados en ML, especialmente en la aplicación específica de arquitecturas de redes neuronales para predecir rápidamente campos de flujo en el entorno construido. La revisión indica que el ML acelera los tres aspectos centrales de la CFD, a saber, el preprocesamiento de mallas, la resolución numérica y la visualización post-procesamiento, con el fin de lograr una simulación CFD acoplada eficiente. Aunque los modelos de sustitutos de ML aún enfrentan desafíos como la disponibilidad de datos, el acoplamiento de campos multifísicos y la capacidad de generalización, la aparición de técnicas de mejora de datos impulsadas por información física alivia efectivamente los problemas mencionados. Mientras tanto, la integración de métodos tradicionales con ML puede mejorar aún más el rendimiento integral de los modelos de sustitutos. Notablemente, el ministerio en línea de modelos de ML entrenados utilizando estrategias de transferencia de aprendizaje merece una investigación más profunda. Estos avances proporcionarán una base importante para avanzar en soluciones operativas eficientes y precisas en el diseño y operación de edificios sostenibles.