Improving built environment aerodynamics with deep learning
Tid: Fr 2025-09-26 kl 13.00
Plats: B3, Brinellvägen 23, Stockholm
Språk: Engelska
Ämnesområde: Byggvetenskap, Strömnings- och klimatteori
Respondent: Giovanni Calzolari , Hållbara byggnader
Opponent: Associate Professor Twan van Hooff, TU/e Eindhoven University of Technology, Netherlands
Handledare: Professor Folke Björk, Hållbara byggnader; Professor Wei Liu, Tianjin University, China
QC 20250905
Abstract
Denna avhandling utforskar skärningspunkten mellan djupinlärning (DL) och beräkningsströmningsdynamik (CFD) med avsikten att förbättra modellering och analys av aerodynamiken i byggda miljöer. I takt med att urbaniseringen accelererar och hållbarhetsutmaningarna blir större, blir ökar behovet av noggranna och effektiva verktyg för luftflödesprognoser i städer och byggnader. Traditionella CFD-metoder, även om de är kraftfulla, är beräkningskrävande och begränsade av modellantaganden, särskilt inom turbulensmodellering. Detta arbete undersöker om djupinlärningstekniker kan användas för att förbättra både hastigheten och generaliserbarheten hos aerodynamiska simuleringar, och om de kan stödja experimentella mätningar som erhålls från vindtunnlar. Avhandlingen presenterar ett omfattande ramverk som integrerar faltningsneurala nätverk (CNN), grafneurala nätverk (GNN) och generativa adversariella nätverk (GAN) för att accelerera simuleringar av stora virvelsimuleringar (LES), rekonstruera flödesfält och förbättra experimentell databehandling. GNN-baserade modeller används särskilt för att arbeta direkt på ostrukturerade CFD-nät, vilket bevarar geometrisk och topologisk information som är avgörande för förutsägelser av luftflöden i stadsmiljöer. Hybridmetoder som kombinerar fysikbaserad kunskap med datadrivna modeller introduceras också. Tillämpningarna spänner över både simulerade och experimentella områden, inklusive en fallstudie om optimering av en vindtunnels form med hjälp av förstärkningsinlärning (reinforcemnt learning). Djupinlärningsmodeller visade stark potential för att förbättra både simuleringsnoggrannhet och hastighet. Samtidigt belyser arbetet också viktiga utmaningar, såsom behovet av bättre generalisering, modelltolkningsbarhet och även bristen på tillgängliga CFD-data. Resultaten tyder på att kombinationen av maskininlärning med traditionell fluiddynamik erbjuder en lovande väg framåt, särskilt när det finns tillgång till av öppna data, behov med fysiska begränsningar och även gemensamma forskningsinsatser. Avhandlingen avslutas med att skissera riktningar för framtida forskning inom fysikinformerat lärande (PINNs), datasetkurering (dataset curation) och realtidsintegration av prediktiva modeller för en hållbar stadsplanering.