这篇文档属于类型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：
该研究的主要作者包括Xuqiang Shao、Zhijian Liu、Siqi Zhang、Zijia Zhao和Chenxing Hu。他们分别来自华北电力大学计算机科学系、动力工程系以及北京理工大学机械工程学院。该研究发表于Elsevier旗下的期刊《Building and Environment》，时间为2023年。
研究的主要科学领域是城市风场预测，尤其是基于非结构化网格的计算流体动力学（CFD）模拟。随着城市化的快速发展，城市环境问题日益突出，如热岛效应和污染物积累。城市风场的准确预测对于缓解这些问题至关重要。传统的风场测量方法（如现场测量和风洞实验）成本高、耗时长，且难以应用于大规模城市环境。相比之下，CFD模拟具有成本低、可重复性强和精度可靠的优点，但其计算耗时且缺乏可扩展性，难以满足实际工程应用的需求。因此，研究团队提出了一种基于物理信息图神经网络（PIGNN-CFD）的新方法，旨在快速预测基于非结构化网格数据的城市风场。
研究分为以下几个主要步骤：
CFD模型的构建与验证
研究团队首先构建了一个基于非稳态雷诺平均Navier-Stokes（RANS）方程和标准k-ε湍流模型的CFD模型，并使用OpenFOAM软件进行数值求解，以模拟非结构化网格上的城市风场。为了验证模型的准确性，研究团队使用了日本建筑学会（AIJ）提供的公开风洞实验数据进行对比。验证结果表明，该CFD模型能够较好地模拟城市风场，尤其是在上游气流区域，但在高层建筑背风区的模拟效果较差。
数据集的生成
通过CFD模型，研究团队模拟了多种随机生成的小规模城市场景的风场，生成了用于训练和测试的样本集。这些场景包括不同建筑布局和初始风速，以确保数据集的多样性和代表性。
PIGNN-CFD模型的设计与训练
研究团队提出了一种新的物理信息图神经网络（PIGNN-CFD），该网络不仅能够逼近训练数据，还能自动满足RANS方程的物理约束。模型采用“编码-处理-解码”结构，将风场网格编码为图结构，并通过多轮消息传递更新节点和边的嵌入信息。模型的损失函数包括数据驱动部分和物理模型驱动部分，以确保预测结果既符合训练数据，又满足物理方程。
模型的验证与泛化能力测试
训练完成后，研究团队使用验证数据集和测试数据集对模型进行了性能评估。验证结果表明，PIGNN-CFD模型在预测小规模城市风场时，与CFD模型的结果高度一致，且计算速度提高了1-2个数量级。此外，研究团队还将模型应用于真实的大规模城市环境（如香港荃湾），进一步验证了其泛化能力。
CFD模型的验证结果
CFD模型在模拟城市风场时，与风洞实验数据的误差大多在0.5 m/s以内，尤其是在上游气流区域，误差更小。然而，在高层建筑背风区，模型的模拟效果较差，误差较大。
PIGNN-CFD模型的预测精度
PIGNN-CFD模型在预测小规模城市风场时，与CFD模型的结果高度一致，大多数测量点的风速误差在0.2 m/s以内。在大规模城市环境（如荃湾）的预测中，模型的预测结果也与CFD模型高度一致，验证了其良好的泛化能力。
计算效率
PIGNN-CFD模型的计算速度显著高于CFD模型。在相同硬件条件下，PIGNN-CFD模型的计算时间比CFD模型减少了1-2个数量级，且时间步长更大，进一步提高了计算效率。
该研究提出了一种基于物理信息图神经网络的快速城市风场预测方法（PIGNN-CFD），能够在保持高精度的同时显著提高计算效率。该方法不仅适用于小规模城市环境，还能够泛化到大规模复杂城市环境，具有重要的工程应用价值。研究结果表明，PIGNN-CFD模型在预测城市风场时，与CFD模型的结果高度一致，且计算速度提高了1-2个数量级，为城市规划和设计提供了强有力的工具。
创新性方法
研究团队提出了一种基于物理信息图神经网络的新方法，能够快速预测基于非结构化网格的城市风场。该方法不仅能够逼近训练数据，还能自动满足物理方程的约束，具有较高的预测精度。
高效的计算性能
PIGNN-CFD模型的计算速度显著高于传统CFD模型，且时间步长更大，进一步提高了计算效率。这使得该方法能够应用于需要快速响应的实际工程场景。
良好的泛化能力
研究团队通过将模型应用于真实的大规模城市环境（如香港荃湾），验证了其良好的泛化能力。这表明该方法不仅适用于小规模城市环境，还能够应用于大规模复杂城市环境。
研究团队还指出，当前模型仅考虑了建筑形状和布局因素，未考虑天气等其他因素。未来的研究可以进一步扩展模型的应用范围，将其应用于更复杂的城市环境预测中。此外，研究团队还提到，模型的训练过程对显存需求较高，这可能会影响其在实际工程中的应用。
通过该研究，研究团队为城市风场的快速预测提供了一种高效、精确的新方法，具有重要的科学价值和工程应用前景。