AI-enhanced large-eddy simulation for urban wind flows: accelerating spin-up with Fourier neural operator initialization
Notice bibliographique
Résumé
Urban wind simulations based on large-eddy simulation (LES) offer high fidelity in capturing turbulent dynamics across complex building geometries. However, their practical application remains limited due to the high computational cost associated with the prolonged spin-up period required to reach statistically steady turbulence. This study introduces a hybrid deep learning–CFD framework that leverages the Fourier Neural Operator (FNO) to generate physically consistent initial flow fields, thereby significantly reducing LES initialization time. A customized FNO model, Flume-FNO, is trained on 30 LES-generated flow cases over real urban geometries worldwide using GPU-accelerated simulations. To enhance geometric representation, the model incorporates multi-directional distance features (MDDF) and a localization strategy, enabling accurate flow field prediction from building morphology alone. The predicted fields are then used to restart LES, yielding mean velocity profiles, turbulence statistics, and mean pressure coefficients that closely match those of fully developed LES results. Quantitative evaluations show a velocity profile error below 5 % and accurate reproduction of coherent structures such as vorticity and shear layers. Furthermore, the FNO-initialized simulations achieve up to a 48.8 % reduction in spin-up time. This work demonstrates a scalable, efficient, and generalizable approach to accelerating urban LES using deep learning priors, with applications in microclimate modeling, pedestrian wind comfort, eVTOL safety, and digital twins. • Develops a hybrid AI-CFD framework to accelerate high-fidelity urban wind simulations. • Accurately predicts flow structures, turbulence statistics, and aerodynamic behavior in complex urban settings. • Reduces LES simulation time by nearly 50 % while retaining high-resolution detail and physical fidelity. • Accurately resolves key aerodynamic features around complex urban geometries, including pressure zones, vortices, and wake dynamics.
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 | 0,001 | 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 ».