超分辨率是指一类从低分辨率图像中重建得到对应高分辨率图像的技术。比如由腾讯ARC实验室提出的超分辨率算法Real-ESRGAN，就是在深度学习技术（生成对抗网络）的基础上，使用纯合成的数据进行训练，目前已被广泛应用于实际的图像修复场景.

图1 Real-ESRGAN的重建结果

       既然超分辨率技术具有如此神奇的能力，那是否可以应用于建筑模拟领域，或者说建筑模拟领域是否有将低分辨率图像修复成对应高分辨率图像的应用场景？

       在设计的早期阶段进行室外行人风环境模拟是提高行人舒适与安全的有效途径，但耗时较长的 CFD 模拟限制了其在设计早期阶段的应用。目前加速CFD模拟的一种思路是先使用低成本CFD模拟（RANS湍流模型和粗网格等）获得低分辨率风场数据，再使用超分辨率等技术重建得到高分辨率风场。

       因此，本研究提出了一种使用深度学习超分辨率技术加速行人风环境模拟的方法。该方法通过超分辨率技术从粗网格CFD模拟获得的低分辨率风场数据中重建得到高分辨率风场，从而降低了CFD模拟所需时间。

02

研究方法

       本研究所提方法的流程主要包括4个步骤：城市几何模型获取、运行CFD模拟、编码模拟结果和模型训练，如图2所示。

图2 本研究所提方法的流程图

       首先，通过cadmapper网站下载100个位于北京市范围内的真实城市几何模型，并在SketchUp中将模型重建，如图3所示，其中所有的模型的长宽范围均在200-400米以内，最大建筑高度均低于40米。

图3 本研究所使用的城市几何模型

       然后，使用10种风况条件和2种网格尺寸（粗网格和细网格）对100个城市几何模型进行室外风环境模拟。

       接着，将模拟得到的行人高度处风速场映射成灰度图像，作为模型训练的数据集，如图4所示。

图4 数据集图像对示例

       最后，使用获得的数据集对Real-ESRGAN模型进行微调，并通过k折交叉验证的方式对模型性能进行验证。

03

研究结果

       通过k折交叉验证，整个数据集都可以用来作为评价本研究所提出方法的测试集。为了评估本研究所提出方法的准确性，将低分辨率风场和重建得到的高分辨率风场进行比较。

       首先，计算得到每一个低分辨率风场和重建得到的高分辨率风场分别与真实风场之间的均方根误差（RMSE），并对不同风况条件下的结果进行统计，如图5所示。容易看出，使用超分辨率技术对低分辨率行人高度处风速场进行重建可以显著降低由于网格尺寸引起的CFD模拟误差。

图5 均方根误差计算结果

       为了更好的可视化效果，将风速场数据映射成伪彩色图像，如图6所示。

图6 风场可视化示例

       使用结构相似性（SSIM）指标对重建得到的高分辨率风场图像进行评价。图7表明，相较于低分辨率风场图像，重建得到的高分辨率风场图像与真实风场图像的相似度明显更高。

图7 结构相似性计算结果

04

研究结论

       本研究提出了一种使用深度学习超分辨率技术加速行人风环境模拟的方法。该方法通过粗网格CFD模拟（比细网格CFD模拟快10-20倍）和超分辨率技术实现了在设计的早期阶段对行人风环境进行快速评价，并能够提供较为准确的模拟结果。