Spatiotemporal Predictions of Toxic Urban Plumes Using Deep Learning

📄 arXiv: 2406.02582v1 📥 PDF

作者: Yinan Wang, M. Giselle Fernández-Godino, Nipun Gunawardena, Donald D. Lucas, Xiaowei Yue

分类: cs.LG, cs.AI, physics.ao-ph

发布日期: 2024-05-30

备注: 13 pages, 10 figures

💡 一句话要点

提出ST-GasNet深度学习模型，用于快速预测城市有毒气体扩散的时空演变。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 深度学习 时空预测 气体扩散 城市环境 应急响应

📋 核心要点

  1. 传统流体动力学模型预测气体扩散计算成本高昂，难以满足紧急响应的实时性需求。
  2. ST-GasNet模型受气体扩散数学方程启发，学习气体扩散的时空依赖关系，实现快速预测。
  3. 实验表明，ST-GasNet能准确预测气体扩散，即使在复杂城市环境中也能保持高预测精度，达到90%以上。

📝 摘要（中文）

工业事故、化学品泄漏和建筑物火灾会释放大量有害物质，扩散到城市大气中并影响人口稠密地区。通常使用计算机模型通过求解流体动力学方程来预测有毒气体的扩散。然而，由于需要大量网格单元来模拟湍流并解析单个建筑物和街道，这些模型的计算成本可能很高。在紧急响应情况下，需要能够快速运行并充分捕捉重要时空特征的替代方法。本文提出了一种名为ST-GasNet的新型深度学习模型，该模型受到控制气体在大气中扩散行为的数学方程的启发。ST-GasNet从高分辨率大涡模拟模型生成的有限地面有毒城市气体的时间序列中学习时空依赖关系。在独立序列上，给定早期行为作为输入，ST-GasNet能够准确预测后期的时空演变，即使在建筑物将大型气体云分割成较小气体云的情况下也是如此。通过结合大规模风边界条件信息，ST-GasNet在整个预测期内对测试数据的预测准确率至少达到90%。

🔬 方法详解

问题定义：论文旨在解决城市环境中快速、准确预测有毒气体扩散的问题。传统流体动力学模型虽然精度较高，但计算复杂度高，耗时较长，难以满足紧急情况下的快速响应需求。现有方法难以在计算效率和预测精度之间取得平衡。

核心思路：论文的核心思路是利用深度学习模型直接从数据中学习气体扩散的时空演变规律，避免求解复杂的流体动力学方程。ST-GasNet模型的设计灵感来源于描述气体扩散的数学方程，从而在网络结构上体现了物理过程的先验知识。

技术框架：ST-GasNet模型的整体框架是一个时空预测模型，输入是早期时刻的气体浓度分布和风场信息，输出是未来时刻的气体浓度分布。模型主要包含以下几个模块：数据输入模块、时空特征提取模块和预测输出模块。数据输入模块负责处理原始数据，时空特征提取模块利用深度神经网络提取气体扩散的时空特征，预测输出模块根据提取的特征预测未来的气体浓度分布。

关键创新：论文的关键创新在于将物理过程的先验知识融入到深度学习模型的设计中。ST-GasNet模型的结构设计受到了气体扩散方程的启发，从而能够更好地学习气体扩散的时空依赖关系。此外，模型还考虑了大规模风边界条件信息，进一步提高了预测精度。

关键设计：ST-GasNet模型使用了卷积神经网络（CNN）和循环神经网络（RNN）来提取时空特征。CNN用于提取空间特征，RNN用于提取时间特征。损失函数使用了均方误差（MSE）来衡量预测结果与真实值之间的差异。模型的训练数据来自高分辨率大涡模拟模型生成的气体扩散数据。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ST-GasNet模型在独立测试序列上表现出良好的预测性能，即使在建筑物将大型气体云分割成较小气体云的复杂情况下也能准确预测。通过结合大规模风边界条件信息，ST-GasNet在整个预测期内对测试数据的预测准确率至少达到90%。该结果表明，该模型具有很强的泛化能力和实用价值。

🎯 应用场景

该研究成果可应用于城市应急响应系统，为快速评估工业事故、化学品泄漏或火灾等事件造成的有毒气体扩散范围和影响提供决策支持。该模型能够帮助制定疏散计划、优化资源分配，从而最大限度地减少人员伤亡和财产损失。此外，该模型还可用于城市规划和环境风险评估，提前识别潜在的风险区域。

📄 摘要（原文）

Industrial accidents, chemical spills, and structural fires can release large amounts of harmful materials that disperse into urban atmospheres and impact populated areas. Computer models are typically used to predict the transport of toxic plumes by solving fluid dynamical equations. However, these models can be computationally expensive due to the need for many grid cells to simulate turbulent flow and resolve individual buildings and streets. In emergency response situations, alternative methods are needed that can run quickly and adequately capture important spatiotemporal features. Here, we present a novel deep learning model called ST-GasNet that was inspired by the mathematical equations that govern the behavior of plumes as they disperse through the atmosphere. ST-GasNet learns the spatiotemporal dependencies from a limited set of temporal sequences of ground-level toxic urban plumes generated by a high-resolution large eddy simulation model. On independent sequences, ST-GasNet accurately predicts the late-time spatiotemporal evolution, given the early-time behavior as an input, even for cases when a building splits a large plume into smaller plumes. By incorporating large-scale wind boundary condition information, ST-GasNet achieves a prediction accuracy of at least 90% on test data for the entire prediction period.