Towards Physics-Informed Neural Networks for Urban Wind Flow Prediction

Abstract

Numerisk fluidmekanikk (CFD) er et fagområde som inkluderer metoder for simulering av fluidmekanikk. Disse metodene brukes for å løse en rekke komplekse problemer, blant annet predikering av vind i urbane områder. Med økende grad av urbanisering er det viktig å undersøke hvordan nye bygninger påvirker vindstrømmen, slik at man sørger for komfort og sikkerhet for fotgjengere. CFD-simuleringer tilbyr detaljert informasjon om fluid strømning, men er ekstremt komplekse og krevende å beregne.

Den raske utviklingen innen dyp læring har tillatt forskere å modellere fluidmekanikk ved bruk av nevrale nettverk. Den raske prediksjonstiden til nevrale nett betyr at fluidsystemer kan beskrives i løpet av sekunder, noe som muliggjør interaktivitet. Ved å bruke nevrale nettverk for å predikere fluidstrømninger kan man oppnå raskere approksimeringer, men man gir slipp på noen av detaljene i fluidstrømmen. Denne avveiningen er meget verdifull når det gjelder å undersøke hvordan vindstrømmene i urbane områder påvirker fotgjengere. Predikering av hvordan de overordnene vindstrømmene endrer seg når man endrer geometrien til bygninger vil tillate arkitekter å interaktivt designe bygninger som er tilpasset urban utvikling. Problemet med slike metoder er at det fremdeles er krevende å bruke CFD til å fremstille nok treningsdata til at det nevrale nettet kan lære å beskrive fluidsystemet.

For å redusere behovet for store menger data har en kobling mellom fysikk og kunstig intelligens begynt å utvikle seg. Nevrale nett programmeres til å lære både fra data fra CFD-simuleringer og fra fysikkligningene som beskriver fluidsystemet. Slike PINN-er (fysikk-inspirerte nevrale nettverk) har vist seg å ha stort potensiale for å beskrive fluidsystemer, men forskere arbeider fremdeles med koble sammen de mest komplekse fluidsystemene og toppmoderne nevrale nett.

Vi retter fokuset mot det kompliserte domenet turbulente strømninger, og introduserer en PINN for en rekke strømningssystemer med økende kompleksitet. Vår PINN er utviklet ved å kombinere en toppmoderne nevral nettverksarkitektur, UNet, og en konserveringslov innen fluidmekanikk. Vi viser at PINN-en effektivt lærer seg strømningene i systemene vi studerer, og at den følger fysiske lover som beskriver systemet. Vi ønsker også å vektlegge at PINN-en viser størst forbedring når den trenes på få eksempler fra CFD-simuleringer.

Computational Fluid Dynamics (CFD) is a scientific field encompassing methods for simulating fluid dynamics. These methods are used to solve a wide range of complex engineering problems, including urban wind flow prediction. With increased urbanization, assessing how new buildings affect the wind flow is vital to ensure pedestrian comfort and safety. However, while CFD simulations provide detailed information about the fluid flow they are extremely complex and computationally expensive.

The rapid improvements of deep learning have allowed researchers to model fluid dynamics using neural networks. The fast inference time of neural networks makes it possible to predict the state of a fluid system in a matter of seconds, making processes such as interactivity possible. Using neural networks to predict fluid flow trades detailed information about the fluid flow for faster approximation time. This trade-off is extremely desirable when assessing how wind flow in urban areas affects pedestrians. Predicting how changing building geometries affect high-level wind trajectories will allow architects to interactively design buildings that are suited for urban development. Unfortunately, using CFD to generate enough training data for the neural network to learn how to describe a fluid system is still computationally expensive.

To combat the need for large amounts of data, a new paradigm of physics-AI coupling has emerged. Neural networks are programmed to learn from data from CFD simulations as well as the physical equations governing the fluid system. These PINNs (Physics-Informed Neural Networks) are showing great potential for describing fluid systems. However, researchers are still working towards the coupling of the most complex fluid systems and state-of-the-art deep learning.

Turning our attention towards the complicated domain of turbulent fluid flow, we introduce a PINN on several fluid flow systems of increasing complexity. The PINN is developed by combining a state-of-the-art deep learning architecture, the UNet, and a conservation law of fluid dynamics. We show that the PINN is able to efficiently learn the fluid flow of our systems, and shows increased interpretability in terms of the physics governing the fluid systems. Notably, the PINN shows the highest improvement in interpretability in the low-resource region, where simulated data is scarce.