Using diffusion models for reducing spatiotemporal errors of deep learning based urban microclimate predictions at post-processing stage
Notice bibliographique
Résumé
Computational fluid dynamics (CFD) is a powerful tool for modeling turbulent flow and is commonly used for urban microclimate simulations. However, traditional CFD methods are computationally intensive, requiring substantial hardware resources for high-fidelity simulations. Deep learning (DL) models are becoming popular as efficient alternatives, requiring less computational resources to model complex non-linear interactions in fluid flow simulations. A major drawback of DL models is that they are prone to error accumulation in long-term temporal predictions, often compromising their accuracy and reliability. To address this shortcoming, this study investigates the use of a denoising diffusion probabilistic model (DDPM) as a novel post-processing technique to mitigate error propagation in DL models' sequential predictions. To address this, we employ convolutional autoencoder (CAE) and U-Net architectures to predict airflow dynamics around a cubic structure. The DDPM is then applied to the model's predictions, refining the reconstructed flow fields to better align with high-fidelity statistical results from large-eddy simulations. Results demonstrate that, although deep learning models provide significant computational advantages over traditional numerical solvers, they are susceptible to error accumulation in sequential predictions; however, utilizing DDPM as a post-processing step enhances the accuracy of DL models by up to 65% while maintaining a three times speedup compared to traditional numerical solvers. These findings highlight the potential of integrating denoising diffusion probabilistic models as a transformative approach to improving the reliability and accuracy of deep learning-based urban microclimate simulations, paving the way for more efficient and scalable fluid dynamics modeling.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».