这篇文档属于类型a，即报告了一项原创性研究。以下是对该研究的学术报告：
一、研究作者与发表信息
本研究由Hu Gao、Weixin Qian、Jiankai Dong和Jing Liu共同完成，作者单位包括哈尔滨工业大学建筑学院和工业和信息化部寒地城乡人居环境科学与技术重点实验室。研究论文于2024年1月20日在线发表在《Building and Environment》期刊上，论文标题为《Rapid Prediction of Indoor Airflow Field Using Operator Neural Network with Small Dataset》。
二、学术背景
室内气流是影响房间舒适度的关键因素之一，准确预测室内气流场对于高效的环境控制至关重要。传统的计算方法，如计算流体动力学（CFD, Computational Fluid Dynamics），虽然能够提供详细的气流场信息，但其计算复杂且耗时。因此，本研究提出了一种基于机器学习的快速重建室内气流场的方法，旨在通过改进的深度算子网络（DeepONet）和傅里叶神经算子（FNO, Fourier Neural Operator）网络，实现对未见域的气流场进行精确预测。研究的目标是减少计算时间，同时保持预测的准确性，以应对实时预测和优化的需求。
三、研究流程
本研究主要包括以下几个步骤：
1. 计算域分解与子域重建
研究首先将计算域分解为多个子域，然后分别重建每个子域的气流场。通过数据增强技术，即使使用小数据集，也能获得满意的训练效果。子域重建完成后，将子域拼接回原始计算域。
2. 模型训练与测试
研究采用了改进的DeepONet和FNO模型进行训练。DeepONet模型通过分支网络和主干网络分别提取边界信息和空间信息，然后将两者合并输出。FNO模型则基于快速傅里叶变换（FFT）和逆变换，通过傅里叶层提取低频特征，并通过反向传播更新模型参数。
3. 数据集生成与处理
研究使用ANSYS Fluent 2022 R1软件进行数值模拟，生成训练和测试数据集。训练集包括七个不同障碍物位置的二维等温流场数据，测试集包括三个未见域的流场数据。通过移动窗口技术，将原始数据集分割为多个子域，并生成标签数据集和边界数据集。
4. 模型性能评估
研究通过对比DeepONet和FNO模型的重建效果，评估其在未见域中的预测能力。使用均方误差（MSE, Mean Squared Error）作为评估指标，分析模型在不同数据集、窗口大小和重叠比例下的表现。
四、主要结果
1. DeepONet与FNO模型的预测精度
在二维等温流场问题中，改进的DeepONet和FNO模型均能准确重建气流场。DeepONet的均方误差为0.28%，FNO的均方误差为1.89%，两者均能在0.01秒内完成预测。与传统的CFD技术相比，该方法将计算速度提高了3到6个数量级。
2. 数据集对模型性能的影响
研究通过对比不同数据集大小、窗口大小和重叠比例，发现窗口大小对模型性能的影响最为显著。当窗口大小从0.5米增加到1.0米时，DeepONet的均方误差从0.28%增加到9.92%，FNO的均方误差从1.89%增加到11.82%。增加数据集的重叠比例可以显著提高FNO模型的预测精度，但对DeepONet模型的影响较小。
3. 模型在未见域中的表现
DeepONet模型在重建主流区域和障碍物后方涡流区域时表现出色，但在入口区域的偏差较大。FNO模型在重建出口附近的气流模式时表现较好，但在障碍物附近的预测精度较低。
五、结论与意义
本研究通过改进的DeepONet和FNO模型，实现了对未见域二维室内气流场的快速预测。研究的主要贡献包括：
1. 高效预测
与传统的CFD方法相比，该方法显著减少了计算时间，且无需重复训练，适用于实时预测和优化。
2. 数据增强技术
通过数据增强技术，研究在小数据集上实现了高精度的预测，减少了对大规模数据集的依赖。
3. 模型性能对比
DeepONet模型在预测精度上优于FNO模型，但FNO模型的输入条件更为宽松，仅需几何信息即可进行预测。
六、研究亮点
1. 创新性方法
本研究首次将改进的DeepONet和FNO模型应用于室内气流场预测，提出了一种基于子域分割和数据增强的快速预测方法。
2. 高效性与实用性
该方法在保持高精度的同时，显著提高了计算速度，具有广泛的实际应用价值，特别是在建筑环境控制和优化领域。
3. 数据集处理的优化
通过对比不同数据集大小、窗口大小和重叠比例，研究优化了模型的训练流程，为未来相关研究提供了重要参考。
七、其他有价值的内容
研究还探讨了模型在复杂几何形状和不同入口条件下的扩展应用潜力，为未来研究提供了方向。此外，研究使用的PyTorch框架和开源代码库（https://github.com/t1318/fast-predication）为其他研究者提供了便利，促进了相关领域的进一步发展。