Recent advances in modeling turbulent wind flow at pedestrian-level in the built environment
Notice bibliographique
Résumé
Pressing problems in urban ventilation and thermal comfort affecting pedestrians related to current urban development and densification are increasingly dealt with from the perspective of climate change adaptation strategies. In recent research efforts, the prime objective is to accurately assess pedestrian-level wind (PLW) environments by using different simulation approaches that have reasonable computational time. This review aims to provide insights into the most recent PLW studies that use both established and data-driven simulation approaches during the last 5 years, covering 215 articles using computational fluid dynamics (CFD) and typical data-driven models. We observe that steady-state Reynolds-averaged Navier-Stokes (SRANS) simulations are still the most dominantly used approach. Due to the model uncertainty embedded in the SRANS approach, a sensitivity test is recommended as a remedial measure for using SRANS. Another noted thriving trend is conducting unsteady-state simulations using high-efficiency methods. Specifically, both the massively parallelized large-eddy simulation (LES) and hybrid LES-RANS offer high computational efficiency and accuracy. While data-driven models are in general believed to be more computationally efficient in predicting PLW dynamics, they in fact still call for substantial computational resources and efforts if the time for development, training and validation of a data-driven model is taken into account. The synthesized understanding of these modeling approaches is expected to facilitate the choosing of proper simulation approaches for PLW environment studies, to ultimately serving urban planning and building designs with respect to pedestrian comfort and urban ventilation assessment.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».