arXiv cs.AI· Shaofan Wang, Philipp Geyer·· 3 天前AI 评分20
基于画布与坐标的几何条件神经网络对比：不同房间尺寸下室内环境实时预测
Comparative Study of Canvas- and Coordinate-Based Geometry-Conditioned Neural Networks for Real-Time Prediction of Indoor Environments with Varying Room Dimensions
AI 导读
研究对比了两种几何条件神经网络代理模型在不同房间尺寸下实时预测室内气流与温度场的效果。基于画布的 CaNN 通过在固定画布中保留不同占用区域来显式编码房间尺寸，基于坐标的 CoNN 则使用归一化坐标通道，两者均采用 U-Net 自编码器分别预测气流与温度场。在高度和长度可变的简化房间基准上，CaNN 与 CFD 结果的一致性高于 CoNN。
正文 · AI 翻译
摘要：计算流体动力学（CFD）在迭代式建筑设计中的计算成本很高。深度学习代理模型能提供更快的预测，但在不同房间尺寸上的泛化仍然具有挑战性。本研究比较了两种以几何为条件的神经网络代理模型，用于在不同房间尺寸下快速预测室内气流与温度场。在建筑设计阶段，该方法可用于实时评估经过调节的送风能否有效地为不同高度和长度的房间提供新鲜凉爽的空气。基于画布的神经网络（CaNN）通过在固定画布内保留不同的占用区域来显式编码房间尺寸，而基于坐标的神经网络（CoNN）则使用归一化坐标通道。两者均采用 U-Net 自编码器分别预测气流场和温度场。评估使用高度和长度各异的简化房间作为受控基准。结果表明，CaNN 与 CFD 结果的一致性高于 CoNN，展示了其支持性能驱动建筑设计的潜力。
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.15885 [cs.AI] |
| （或使用 arXiv:2610.15885v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.15885 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
发件人：Shaofan Wang [查看电子邮件]
[v1]
2026年10月11日星期日 20:03:49 UTC（1,786 KB）
来源：arXiv cs.AI · arxiv.org