CN116307015A - 一种基于pix2pix的环境性能预测方法及装置 - Google Patents
一种基于pix2pix的环境性能预测方法及装置 Download PDFInfo
- Publication number
- CN116307015A CN116307015A CN202211089225.XA CN202211089225A CN116307015A CN 116307015 A CN116307015 A CN 116307015A CN 202211089225 A CN202211089225 A CN 202211089225A CN 116307015 A CN116307015 A CN 116307015A
- Authority
- CN
- China
- Prior art keywords
- environmental performance
- data set
- layer
- image
- performance prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007613 environmental effect Effects 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 241000255749 Coccinellidae Species 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 241000254032 Acrididae Species 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 15
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Computer Graphics (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
Abstract
本发明涉及一种基于pix2pix的环境性能预测方法及装置,其中方法包括:对城市街区进行自动参数化建模,生成城市街区的三维模拟几何模型;进行环境性能模拟生成环境性能数据集;基于降维编码器对三维模拟几何模型和环境性能数据集进行处理,得到针对不同环境性能预测对象的训练集样本;对训练集样本进行颜色标准化处理;构建pix2pix生成式对抗网络,所述pix2pix生成式对抗网络包括基于U‑net的生成器和基于卷积PatchGAN分类器的判别器;基于TensorFlow深度学习框架,利用训练集分别训练pix2pix生成式对抗网络;基于训练完成的pix2pix生成式对抗网络预测环境性能;对预测得到的环境性能进行颜色标准化处理得到预测结果。与现有技术相比,本发明具有预测速度快、预测准确性高等优点。
Description
技术领域
本发明涉及建筑环境性能数值预测领域,尤其是涉及一种基于pix2pix的环境性能预测方法及装置。
背景技术
在传统的设计流程中,环境性能评估是设计完成前的最后一步,用于确定设计方案是否符合标准。针对设计的早期阶段的研究已经广泛开展,一方面,为了提高设计过程中性能评估的互动性,一些研究人员在数值模拟软件和三维建模平台之间建立了数据和视觉界面,Ladybug工具已经在主流三维建模平台的基础上建立了多个版本,并为Radiance、EnergyPlus和OpenFOAM等环境性能模拟引擎提供软件接口;另一方面,正如城市和建筑设计是一个复杂的过程,其中有许多组成部分相互作用,城市环境同样也有各种性能指标的耦合。因此,优化环境性能的过程是非常不可预测的。此外,由于建筑师知识背景的限制,基于主观试错的设计决策是低效的。因此,低效的性能模拟是目前复杂环境下性能化设计的一个重要障碍。
随着绿色建筑标准的实施,几乎所有的设计方案都必须进行性能评估与检验,而传统的环境性能模拟手段在经过如MATLAB和Isigh的外部优化算法工具以及例如整合了遗传算法和模拟退火算法等优化算法插件后大大改善了其优化性能和效率,但当面对一个几何体的规模增加时,风环境模拟、平均辐射温度计算和城市能源建模的复杂性急剧增加带来的对于计算机处理能力的需要的非线性增长式时,低效的性能模拟仍成为了目前城市街区性能驱动设计的一个重要障碍。对于目前日益复杂的城市环境下的设计,需要更为高效的环境数值模拟方法。
生成对抗网络(GANs)在计算机视觉中起到了至关重要的作用。一些研究人员利用GANs来发现二维流动;在气象学领域,GANs已经被用来生成具有高分辨率的包含空间和时间天气预报;在建筑环境领域,作为一个条件性的GAN,pix2pix已经获得了很多关注。它是基于图像到图像的转换,将输入图像逐像素地转换为输出图像。现有研究已有使用pix2pix来预测室内空间的照度分布、学习建筑物周围的风场分布等,虽然目前的准确性有待提高,但使用pix2pix进行环境性能评估的可能性已经被证明,有必要进一步研究并对其预测准确性和预测效率进行提高和优化。
发明内容
本发明的目的就是为了提供一种基于pix2pix的环境性能预测方法及装置,利用pix2pix代替多个环境性能模拟过程,避免长期的网格划分和模拟,实现对几何模型环境性能的快速预测和准确评价。
本发明的目的可以通过以下技术方案来实现:
一种基于pix2pix的环境性能预测方法,包括以下步骤:
对城市街区进行自动参数化建模,生成城市街区的三维模拟几何模型;
进行环境性能模拟生成环境性能数据集,所述环境性能数据集包括行人高度风数据集,UTCI数据集和年度累积太阳辐射数据集;
基于降维编码器对三维模拟几何模型和环境性能数据集进行处理,得到针对不同环境性能预测对象的训练集样本;
对训练集样本进行颜色标准化处理;
构建pix2pix生成式对抗网络,所述pix2pix生成式对抗网络包括基于U-net的生成器和基于卷积PatchGAN分类器的判别器;
基于TensorFlow深度学习框架,利用训练集分别训练pix2pix生成式对抗网络;
基于训练完成的pix2pix生成式对抗网络预测环境性能,所述环境性能包括行人高度风,UTCI和年度累积太阳辐射;
对预测得到的环境性能进行颜色标准化处理得到预测结果。
所述自动参数化建模利用Rhino/Grasshopper平台和插件完成。
所述行人高度风数据集利用Butterfly插件调用OpenFOAM生成,通过设置模拟参数进行行人高度风的数值模拟,所述模拟参数包括风洞参数、边界尺寸条件、参考高度、环境粗糙度、模型表面定义。
所述UTCI数据集利用Ladybug计算得到,其计算公式为:
UTCI=Tamb+f(Tamb,TMRT,Uwind,pvapour)
其中,Tamb是环境温度,TMRT是平均辐射温度,Uwind是风速,pvapour是蒸汽压力。
所述年度累积太阳辐射数据集利用Ladybug创建天空模型,并在预配置的距离处利用兴趣平面网格进行模拟得到。
所述降维编码器执行以下步骤生成训练集样本:
对环境性能数据集进行预处理得到预配置尺寸的环境性能RGB图像;
对三维模拟几何模型进行降维处理,将三维模型的高度维度信息转换为不同颜色的像素,得到二维几何模型;
将二维几何模型分别与不同的环境性能RGB图像进行图像叠加,并与二维几何模型进行图像编组,得到针对不同环境性能预测对象的训练集样本。
所述生成器由一个编码器和一个解码器组成,其中,所述编码器中的每个块的数据处理层都由卷积层、批量归一化层和Leaky ReLU层构成,所述解码器中的前3个块的数据处理层由转置卷积层、批量归一化层、Dropout层和ReLU层构成,其余块的数据处理层由转置卷积层、批量归一化层和ReLU层构成,编码器和解码器之间设有跳连接。
所述判别器中除第一个块以外的每个块的数据处理层都由卷积层、批量归一化层、Leaky ReLU层构成,用于判别图像的真实性,当判别器的输入为初始输入图像和目标图像时,将其分类为真;当判别器的输入为初始输入图像和生成器输出的图像时,将其分类为假。
所述颜色标准化处理为:基于二维几何模型和环境性能RGB图像中的像素颜色建立标准库,针对待处理图像中的每一个像素,将其与标准库中的每一像素颜色进行比较,计算RGB三个通道值的差值平方和的平方根,得到颜色误差,确定颜色误差最小值对应的标准库中的RGB值,并将所述RGB值赋值给待处理图像中对应的像素。
一种基于pix2pix的环境性能预测装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现如上述所述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用pix2pix生成式对抗网络替代行人高度风、热舒适度、累积太阳辐射等多个环境性能模拟过程,避免了长期的网格划分和模拟,实现了对几何模型环境性能的快速预测和精确评价。
(2)本发明有效解决了复杂的城市环境下的环境性能模拟耗时长、效率低的问题,对城市街区性能驱动设计等复杂条件下的设计工作提供良好支持,有助于建立一个可持续的未来城市环境。
(3)本发明对城市街区进行自动参数化建模,利用Rhino/Grasshopper平台和插件生成大量模拟原型作为训练集样本,提升了数据集生成的速度和广度,从而提升环境性能预测的速度和适用性。
(4)本发明设计了一种降维编码器,用于将几何模型从三维降至二维,并与环境性能数据集进行叠加和图像编码,使得训练集数据能够应用于pix2pix进行训练。
(5)本发明设计了一种颜色标准化算法规范所有像素的RGB值,以抵消转换过程中图像数据的准确性损失,并且可以直接从像素的RGB上读出每个像素对应的环境性能数值,使得从图像到图像的环境性能预测的方式能够成立,并且保留足够的信息用于环境性能预测。
附图说明
图1为本发明的方法流程图;
图2为自动参数化建模示意图;
图3为行人高度风数值模拟示意图;
图4为风洞数据验证和网格敏感性分析结果图,其中,(a)为三种尺寸的结构网格示意图,(b)为风洞实验与CFD在监测点的速度比比较,(c)粗糙网格和基础网格在监测点的速度比比较,(d)基础网格和精细网格在监测点的速度比比较;
图5为降维编码器生成行人高度风训练集样本的过程示意图;
图6为本发明的pix2pix生成式对抗网络架构;
图7为pix2pix生成式对抗网络原理图;
图8为一种实施例中的环境性能数值预测结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于pix2pix的环境性能预测方法,如图1所示,包括以下步骤:
1)对城市街区进行自动参数化建模,生成城市街区的三维模拟几何模型;
所述自动参数化建模利用Rhino/Grasshopper平台和插件完成。
本实施例设计了一个有10个参数的参数化城市街区的三维模拟几何模型,以确保几何形状的多样性,保证pix2pix GAN的泛化能力(即加载不同几何模型的适应性)和多目标优化生成结果的多样性。所述参数包括:1)人行道的宽度,2)建筑后退的宽度,3)建筑开口的数量,4)开口的宽度,5)开口的位置,6)建筑的宽度,7)建筑的层数,8)内部建筑开口的位置,9)内部建筑的高度,10)内部建筑的方向。场地的边界被限定为200米×200米,建筑群的最大高度被设定为60米,每层4米。本实施例建立两个基本的几何原型,以扩大几何的多样性。最后,共得到400个原型。
本实施例参照欧洲城市街区的形式,对封闭的参数化街区进行了建模,如图2所示。
2)进行环境性能模拟生成环境性能数据集,所述环境性能数据集包括行人高度风数据集,UTCI(通用热气候指数)数据集和年度累积太阳辐射数据集;
①行人高度风数据集
所述行人高度风数据集利用Butterfly插件调用OpenFOAM生成,通过设置模拟参数进行行人高度风的数值模拟,如图3所示,所述模拟参数包括风洞参数、边界尺寸条件、参考高度、环境粗糙度、模型表面定义。
本实施例在两个连续网格之间生成一个膨胀比为1.1的六面体非结构化网格。建筑物周围的最小网格厚度为0.1M。在距离地面1.5米的高度设置一个监测面,监测面的网格大小为2米,如图3(c)所示。仿真基于三维稳定的雷诺平均纳维-斯托克斯(RANS)方程,并使用标准的K-e湍流模型。停止条件是残留物小于10-4。
本实施例对三种不同网格大小的划分对计算精度和计算效率的影响进行了比较和验证,如图4所示:
本实施例首先采用风洞实验数据进行验证,得到结构如图4(b)所示。然后,构建了三个结构化的网格进行网格敏感性分析,如图4(a)所示。粗糙网格的最小网格尺寸为0.01米,包含1876160个单元,基础网格的最小尺寸为0.005米,包含4172190个单元,精细网格的最小尺寸为0.0025米,包含5574240个单元。与风洞实验设置一样,我们模拟的是东风(E)的情况。风速比是通过监测点的三维风速U除以参考风速U0来定义的。我们对不同网格大小的监测点的计算结果进行线性拟合。不同网格大小的比较见图4(c)和(d),其中粗糙网格和基础网格之间的差异很大,而精细网格和基础网格之间的差异则较小。这表明,基础网格是计算精度和计算成本之间的一个很好的折中。因此,本实施例中,对参数块模型的网格设置是在基础网格最小尺寸的基础上扩大到1:100。
②UTCI数据集
所述UTCI数据集利用Ladybug计算得到,其计算公式为:
UTCI=Tamb+f(Tamb,TMRT,Uwind,pvapour)
其中,Tamb是环境温度,TMRT是平均辐射温度,Uwind是风速,pvapour是蒸汽压力。
本实施例中,模拟所需的气象数据(EPW文件和统计文件)来自EnergyPlus数据库。监测面的高度设置为1.5米,监测面的网格设置为2米。
③年度累积太阳辐射数据集
所述年度累积太阳辐射数据集利用Ladybug创建天空模型,并在预配置的距离处利用兴趣平面网格进行模拟得到。本实施例中,距离设置为2米。
3)基于降维编码器对三维模拟几何模型和环境性能数据集进行处理,得到针对不同环境性能预测对象的训练集样本;
所述降维编码器执行以下步骤生成训练集样本:
对环境性能数据集进行预处理得到100*100像素的环境性能RGB图像;
对三维模拟几何模型进行降维处理,将三维模型的高度维度信息转换为不同颜色的像素,得到二维几何模型;
将二维几何模型分别与不同的环境性能RGB图像进行图像叠加,并与二维几何模型进行图像编组,得到针对不同环境性能预测对象的训练集样本。
以生成行人高度风训练集样本为例,降维编码器的执行过程如图5所示。
4)对训练集样本进行颜色标准化处理;
所述颜色标准化处理为:基于二维几何模型和环境性能RGB图像中的像素颜色建立标准库,针对待处理图像中的每一个像素,将其与标准库中的每一像素颜色进行比较,计算RGB三个通道值的差值平方和的平方根,得到颜色误差,确定颜色误差最小值对应的标准库中的RGB值,并将所述RGB值赋值给待处理图像中对应的像素。
颜色标准化算法的伪代码如下所示:
算法名称:基于OpenCV的数据集图像颜色标准化
5)构建pix2pix生成式对抗网络,其架构如图6所示,所述pix2pix生成式对抗网络包括基于U-net的生成器和基于卷积PatchGAN分类器的判别器;
pix2pix生成式对抗网络的原理图如图7所示。
所述生成器由一个编码器和一个解码器组成,其中,所述编码器中的每个块的数据处理层都由卷积层、批量归一化层和Leaky ReLU层构成,所述解码器中的前3个块的数据处理层由转置卷积层、批量归一化层、Dropout层和ReLU层构成,其余块的数据处理层由转置卷积层、批量归一化层和ReLU层构成,编码器和解码器之间设有跳连接。
所述判别器中除第一个块以外的每个块的数据处理层都由卷积层、批量归一化层、Leaky ReLU层构成,用于判别图像的真实性,当判别器的输入为初始输入图像和目标图像时,将其分类为真;当判别器的输入为初始输入图像和生成器输出的图像时,将其分类为假。
本实施例中,一次训练的时间大约为10-15小时。计算总的生成器损失的公式是:
Total Generator Loss=GAN_loss+LAMBDA×L1_loss
其中,LAMBDA=100,GAN_loss为GAN的损失函数,L1_loss为目标值与模型输出(估计值)的差做绝对值得到的误差函数。在pix2pix中,L1_loss惩罚了与条件相匹配的真值输出(y)与可能不匹配的生成器输出(G(x,z))之间的距离。
6)基于TensorFlow深度学习框架,利用训练集分别训练pix2pix生成式对抗网络;
通过CPython插件将训练好的pix2pix生成式对抗网络、降维编码器和颜色标准化算法配置到Rhino/Grasshopper平台上,即可实现环境性能预测。
7)基于训练完成的pix2pix生成式对抗网络预测环境性能,所述环境性能包括行人高度风,UTCI和年度累积太阳辐射;
8)对预测得到的环境性能进行颜色标准化处理得到预测结果,如图8所示。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种基于pix2pix的环境性能预测方法,其特征在于,包括以下步骤:
对城市街区进行自动参数化建模,生成城市街区的三维模拟几何模型;
进行环境性能模拟生成环境性能数据集,所述环境性能数据集包括行人高度风数据集,UTCI数据集和年度累积太阳辐射数据集;
基于降维编码器对三维模拟几何模型和环境性能数据集进行处理,得到针对不同环境性能预测对象的训练集样本;
对训练集样本进行颜色标准化处理;
构建pix2pix生成式对抗网络,所述pix2pix生成式对抗网络包括基于U-net的生成器和基于卷积PatchGAN分类器的判别器;
基于TensorFlow深度学习框架,利用训练集分别训练pix2pix生成式对抗网络;
基于训练完成的pix2pix生成式对抗网络预测环境性能,所述环境性能包括行人高度风,UTCI和年度累积太阳辐射;
对预测得到的环境性能进行颜色标准化处理得到预测结果。
2.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述自动参数化建模利用Rhino/Grasshopper平台和插件完成。
3.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述行人高度风数据集利用Butterfly插件调用OpenFOAM生成,通过设置模拟参数进行行人高度风的数值模拟,所述模拟参数包括风洞参数、边界尺寸条件、参考高度、环境粗糙度、模型表面定义。
4.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述UTCI数据集利用Ladybug计算得到,其计算公式为:
UTCI=Tamb+f(Tamb,TMRT,Uwind,pvapour)
其中,Tamb是环境温度,TMRT是平均辐射温度,Uwind是风速,pvapour是蒸汽压力。
5.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述年度累积太阳辐射数据集利用Ladybug创建天空模型,并在预配置的距离处利用兴趣平面网格进行模拟得到。
6.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述降维编码器执行以下步骤生成训练集样本:
对环境性能数据集进行预处理得到预配置尺寸的环境性能RGB图像;
对三维模拟几何模型进行降维处理,将三维模型的高度维度信息转换为不同颜色的像素,得到二维几何模型;
将二维几何模型分别与不同的环境性能RGB图像进行图像叠加,并与二维几何模型进行图像编组,得到针对不同环境性能预测对象的训练集样本。
7.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述生成器由一个编码器和一个解码器组成,其中,所述编码器中的每个块的数据处理层都由卷积层、批量归一化层和Leaky ReLU层构成,所述解码器中的前3个块的数据处理层由转置卷积层、批量归一化层、Dropout层和ReLU层构成,其余块的数据处理层由转置卷积层、批量归一化层和ReLU层构成,编码器和解码器之间设有跳连接。
8.根据权利要求1所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述判别器中除第一个块以外的每个块的数据处理层都由卷积层、批量归一化层、Leaky ReLU层构成,用于判别图像的真实性,当判别器的输入为初始输入图像和目标图像时,将其分类为真;当判别器的输入为初始输入图像和生成器输出的图像时,将其分类为假。
9.根据权利要求6所述的一种基于pix2pix的环境性能预测方法,其特征在于,所述颜色标准化处理为:基于二维几何模型和环境性能RGB图像中的像素颜色建立标准库,针对待处理图像中的每一个像素,将其与标准库中的每一像素颜色进行比较,计算RGB三个通道值的差值平方和的平方根,得到颜色误差,确定颜色误差最小值对应的标准库中的RGB值,并将所述RGB值赋值给待处理图像中对应的像素。
10.一种基于pix2pix的环境性能预测装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089225.XA CN116307015A (zh) | 2022-09-07 | 2022-09-07 | 一种基于pix2pix的环境性能预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211089225.XA CN116307015A (zh) | 2022-09-07 | 2022-09-07 | 一种基于pix2pix的环境性能预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116307015A true CN116307015A (zh) | 2023-06-23 |
Family
ID=86826284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211089225.XA Pending CN116307015A (zh) | 2022-09-07 | 2022-09-07 | 一种基于pix2pix的环境性能预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307015A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436350A (zh) * | 2023-12-18 | 2024-01-23 | 中国石油大学(华东) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 |
-
2022
- 2022-09-07 CN CN202211089225.XA patent/CN116307015A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436350A (zh) * | 2023-12-18 | 2024-01-23 | 中国石油大学(华东) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 |
CN117436350B (zh) * | 2023-12-18 | 2024-03-08 | 中国石油大学(华东) | 基于深度卷积生成对抗网络的压裂水平井压力预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
CN109635511B (zh) | 一种基于条件生成对抗网络的高层居住区强排方案生成设计方法 | |
Huang et al. | Urban solar utilization potential mapping via deep learning technology: A case study of Wuhan, China | |
Martins et al. | From solar constraints to urban design opportunities: Optimization of built form typologies in a Brazilian tropical city | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
Cao et al. | Facade geometry generation from low-resolution aerial photographs for building energy modeling | |
CN111896680A (zh) | 基于卫星遥感数据的温室气体排放分析方法及系统 | |
CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
CN114693064B (zh) | 一种建筑群方案生成性能评价方法 | |
CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
TWM548837U (zh) | 運用類神經網路學習之綠建築效能模擬分析系統 | |
CN105225252B (zh) | 云团运动预测方法 | |
CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
CN116307015A (zh) | 一种基于pix2pix的环境性能预测方法及装置 | |
Veisi et al. | Analysis of solar radiation towards optimization and location of the urban blocks in the neighborhood units | |
CN115438582A (zh) | 一种联合多要素和图注意力的pm2.5浓度预测方法 | |
Aslani et al. | Rooftop segmentation and optimization of photovoltaic panel layouts in digital surface models | |
TWI636405B (zh) | 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN116561845B (zh) | 数字技术赋能的城市屋顶绿化多情景模拟方法及系统 | |
CN115689382B (zh) | 一种利用宏观尺度上城市形态测算城市建筑能耗的方法 | |
CN113254554B (zh) | 基于地图抓取与聚类学习的城市街区热岛建模方法及系统 | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
CN112101608A (zh) | 一种海上风电场选址方法及装置 | |
Zhang et al. | Incorporating spatial heterogeneity to model spontaneous and self-organized urban growth |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |