本文档属于类型a，即报告了一项原创性研究的学术论文。以下是对该研究的详细介绍：
作者与机构
本文的主要作者为Qi Zhou和Ryozo Ooka，分别来自东京大学工学研究科建筑学系和东京大学生产技术研究所。该研究发表于《Energy & Buildings》期刊，2021年卷230期，文章编号110525。
学术背景
研究领域为建筑环境与能源管理，具体关注室内非等温气流分布的快速预测。室内环境对人类日常生活至关重要，快速且准确地预测室内环境对于实际应用（如耦合模拟、逆向设计和系统控制）具有重要意义。计算流体动力学（CFD）是一种强大的工具，能够有效且可靠地模拟气流运动、热传递和污染物扩散。然而，CFD模拟通常需要大量的计算资源，即使近年来计算机性能显著提升，进行多次CFD模拟仍然耗时。因此，研究者提出使用神经网络（NN）作为CFD的替代方法，以实现快速且准确的室内环境预测。
研究目标
本研究旨在验证神经网络在预测非等温室内环境（包括速度和温度分布）中的可行性，并探讨数据预处理方法对神经网络性能的影响。通过比较不同预处理方法，揭示其对神经网络预测性能的影响，并为实际应用提供建议。
研究流程
1. CFD数据库的建立
- 研究设置了一个二维房间模型，房间尺寸为6.0米（x方向）×3.0米（y方向），包含一个空气供应口和一个排气口，以及一个2.0米高的窗户。窗户表面温度随室外温度变化，所有固体壁面设为绝热，无其他室内热源。 - 窗户表面温度从273 K（冬季场景）到333 K（夏季场景）以5 K为间隔变化，共13个案例。入口流速和温度分别固定为0.25 m/s和293 K。使用CFD模拟每个案例的室内气流和温度分布，采用RANS模型和标准k-ε湍流模型进行模拟。 - CFD模拟结果被降维处理，将计算域离散为100个区块，每个区块的速度和温度值通过对网格内值的平均计算得出。
神经网络的构建与训练
数据预处理方法
性能评估
主要结果
1. 训练集上的预测性能
- 在大多数情况下，不同的预处理方法可以带来相似的神经网络性能，预测时间约为350微秒，最大值的预测误差小于10%，均值的预测误差小于5%。 - 未进行数据预处理时，误差淹没现象可能发生，梯度下降算法在训练过程中可能无法减少较小量级变量的误差。 - 对于温度预测，所有场景的表现均较好，预测误差小于5%。
测试集上的预测性能
同时预测与单独预测的比较
结论
本研究验证了神经网络在快速且准确预测非等温室内环境中的可行性。数据预处理对神经网络性能有显著影响，特别是当输出变量具有不同量级时，预处理可以避免误差淹没现象。此外，单独预测多个变量可以在不进行预处理的情况下达到与预处理场景相似的预测精度，但计算成本较高。
研究亮点
1. 本研究首次系统地探讨了数据预处理方法对神经网络预测非等温室内环境性能的影响。 2. 提出了多种新的预处理方法（如阿基米德数、比例法和无量纲化），并验证了其在神经网络中的有效性。 3. 研究结果表明，神经网络可以在极短的时间内（约350微秒）实现高精度的室内环境预测，为实际应用提供了重要参考。
其他有价值的内容
本研究还探讨了批量归一化（Batch Normalization）在神经网络中的应用，发现其在某些情况下可以提升性能，但其效果依赖于批量大小。未来研究可以进一步探讨批量归一化在室内环境预测中的潜力。
本研究为神经网络在室内环境预测中的应用提供了重要的理论和实践依据，具有显著的学术价值和实际应用价值。