用于飞机客舱动态乘员运动下快速感染风险评价的CFD-ANN混合模型

《Results in Engineering》：CFD-ANN Hybrid Model for Rapid Infection Risk Assessment in Aircraft Cabin with Dynamic Occupant Motion

　　

飞机客舱因乘员密度高、人际间距有限及封闭通风条件，给空气传播感染控制带来了显著挑战。本研究考察了源座位位置及乘客行走如何影响飞机客舱内的短期空气传播感染风险。瞬态计算流体力学（CFD）模拟解析了气流及气溶胶（aerosol）输运。乘客行走通过动态网格（dynamic mesh）及0.5至2.0 m/s的设定速度来表征，以捕捉尾流夹带（wake entrainment）与混合效应。感染风险通过基于浓度的相对指标进行量化，该指标利用呼吸区气溶胶浓度并结合修正的Wells-Riley方法得出。结果表明，当感染源位于中间座位时，呼吸区内时间平均的短期相对感染风险分别比靠窗座位和靠过道座位高31.0%和58.2%。将乘客行走速度从1.0 m/s增加至1.5 m/s会使短期相对感染风险上升62%，而在2.0 m/s时相对于静止情况的差异达到86%。这些结果显示动态乘客运动能够强烈放大飞机客舱内的空气传播感染风险。研究人员开发了一个CFD与ANN（人工神经网络）结合的混合框架，用于在耦合不确定性下快速重构瞬态短期风险。不确定的源位置被处理为离散座位变量，并使用拉丁超立方抽样（Latin hypercube sampling, LHS）进行采样。ANN模型实现了高准确性，R2达到0.95。与相同案例的完整CFD模拟相比，其计算时间减少了99%以上。该ANN模型能够实现动态条件下舱内随时间变化的风险分布的快速预测。

论文解读：飞机客舱动态乘员运动下基于CFD-ANN混合模型的快速感染风险评价研究

研究背景与问题提出

飞机客舱作为典型的高密度封闭室内环境，具有座椅排列紧密、过道狭窄以及采用机械驱动的混合通风（Mixing Ventilation, MV）等特征。这些特征导致了受限的再循环气流模式，进而控制了舱内横截面及相邻座位间气溶胶的短期输运过程。现有的数值研究表明，通风流量和出口布局显著影响局部暴露和传播潜力。在高密度座椅配置下，感染风险的评估不仅取决于通风和座位邻近度，还受到感染源座位位置以及乘客移动引起的瞬态气流扰动的共同影响。尽管已有研究指出人体运动可产生显著的下行气流（downwash airflow）并改变污染物分散轨迹，但关于源座位位置与行走扰动（尤其是0.5至2.0 m/s范围内的行走速度）的综合效应，在飞机客舱短期瞬态暴露背景下仍缺乏充分量化。此外，当考虑空间不确定性（如离散座位级别的源变化）和动态乘员运动时，传统的高保真CFD（计算流体力学）模拟面临计算量剧增的问题，且现有研究尚未构建可用于代理模型快速重构随时间变化的感染风险场的瞬态数据集。因此，开展此项研究以量化耦合因素下的感染风险并开发快速预测工具具有重要的工程与公共卫生意义。该论文发表于《Results in Engineering》。

主要关键技术方法

研究人员以代表波音737-200布局的单通道七排飞机客舱为案例，采用实验验证的高保真瞬态CFD模拟气流与气溶胶输运，湍流模型选用RNG k-ε模型，颗粒相采用拉格朗日（Lagrangian）法追踪，并引入动态网格策略模拟过道内乘客以0.5、1.0、1.5、2.0 m/s速度行走的刚体平移运动。感染源位置定义为42个潜在乘客位置（基于对称性归为21个独特座位位置），并使用拉丁超立方抽样（LHS）生成56个耦合参数组合工况。气溶胶选用1 μm单分散颗粒代表可吸入长驻留空气传播分数，咳嗽喷射速度设为13 m/s。感染风险指标基于呼吸区气溶胶浓度结合修正Wells-Riley方法定义为相对感染风险指数P_i。随后，研究人员基于56个CFD工况提取的瞬态呼吸区浓度时间序列构建监督数据集，输入特征包括源坐标、目标呼吸区坐标、行走速度v和暴露时间t，输出为气溶胶质量浓度，使用Optuna框架贝叶斯优化全连接ANN（人工神经网络）超参数（如隐藏层数、每层神经元数、激活函数Tanh、学习率0.001等），采用Adam优化器、L2正则化及dropout（0.5）抑制过拟合，并在CFD工况级别划分训练、验证与测试集以防信息泄漏。

研究结果

3.1 CFD数据分析（CFD Data Analysis）

3.1.1 源位置的影响（Impact of source location）

研究人员通过分析LHS生成的CFD数据集发现，在行走速度1.5 m/s下，每个横排的中间座位作为感染源时，呼吸区时间平均短期相对感染风险显著高于靠窗和靠过道座位，差异分别为31.0%和58.2%（95%置信水平）。这种座位依赖的差异由咳嗽射流、通风诱导的再循环结构以及周围人体与舱壁几何限制之间的耦合作用主导。中间座位源释放的污染物受相邻乘员和座椅靠背限制横向交换，促进 seat row 内重复再夹带，延长气溶胶在呼吸层的驻留时间；过道座位源则因开放过道作为优先输运通道，咳嗽羽流更易被夹带入过道流及行人运动尾流，增强稀释；窗边座位源受侧壁约束呈中等风险。此外，纵向源位置调节了尾流夹带与壁面限制间的竞争：前排（如S1）尾流将咳嗽羽流沿过道向下游对流；中部（如S10）背景通风再循环更发达，部分羽流在局部环流细胞内再分配；后部（如S16）后壁限制尾流向下游发展，形成受限再循环区促使局部累积。

3.1.2 乘客行走速度的影响（Influence of passenger walking velocity）

研究人员发现，当感染源位于中后部（S16）或第一排（S3）时，增加乘客行走速度显著提升呼吸层平均短期相对感染风险。行走速度从1.0 m/s增至1.5 m/s使感染风险上升62%；2.0 m/s与静止（0 m/s）相比差异达86%（此最大差异出现在具有有利尾流发展条件的源位置，前舱和后舱因壁面限制气溶胶输运使增幅较小）。其机理为：行走速度增加使移动乘客后方尾流动量增大，夹带更大体积周围空气，将污染空气从座位区抽吸至过道并增加羽流侧向扩散与下游输运；同时尾流诱导的下洗和尾涡扰动背景再循环，可能暂时增加气溶胶在呼吸层驻留时间；后舱近固体边界处壁面限制进一步约束尾流发展并促进受限再循环区，利于高速行走下局部累积。非均匀的速度敏感性由可用尾流发展长度和壁面限制决定：中部尾流有充足无阻碍距离发展，夹带区重叠多排座位，P_i随速度增加更强；前后边界附近扰动流受隔板约束形成受限再循环区，速度增加主要加剧局部累积而非延伸纵向影响范围。

3.2 ANN模型性能（Performance of the ANN model）

3.2.1 预测性能评价（Predictive performance evaluation）

研究人员对比ANN预测与CFD结果得出，ANN预测的感染风险指数总体趋势与CFD模拟吻合良好，偏差较小。训练与验证阶段的MAE（平均绝对误差）为4.23×10^-6mg/m³，RMSE（均方根误差）为5.74×10^-6mg/m³，决定系数R²为0.95，数据点在参考线周围均匀分布，表明模型对不同感染源位置和人员扰动条件下的气溶胶输运浓度具有强拟合能力，可可靠快速重构舱内感染风险分布。

3.2.2 泛化性能评价（Generalization performance evaluation）

研究人员使用训练与测试数据集范围外的两种工况（源位置S1，速度为0 m/s和2.5 m/s）评估ANN泛化能力，结果显示气溶胶浓度预测的MAE、RMSE和R²分别为7.99×10^-6mg/m³、9.51×10^-6mg/m³和0.86。回归图中仅少数点拟合较差且占监测区域比例小，整体表明ANN模型能捕捉源位置与动态行走扰动随时间对感染风险的影响，可为采样训练案例之外的条件提供可靠的舱内风险重构。

3.2.3 计算成本评价（Computational cost evaluation）

研究人员总结：每个瞬态CFD工况在AMD Ryzen 9 7950×3D CPU（32线程）上约需32小时墙钟时间；56个LHS数据集CFD总运行时间约1,800 CPU·小时。基于这些数据，ANN代理模型在NVIDIA GeForce RTX 4070 GPU工作站上训练约需82分钟；训练后，ANN预测新场景感染风险场约需2分钟，而相同舱体几何与HVAC（暖通空调）条件下的完整CFD模拟仍需约32小时。因此，对于所研究的舱体配置，ANN代理模型在训练后将每场景预测时间较完整CFD模拟减少约99%。

讨论与结论

讨论部分指出，本研究针对代表性单通道飞机客舱几何与HVAC配置，量化了源位置变化与动态乘员运动两个耦合扰动因子下舱内瞬态感染风险分布，并基于瞬态数据集构建了ANN模型以实现动态条件下随时间变化感染风险的快速预测。研究人员也明确了若干局限：研究为特定单通道几何与通风配置的案例研究，结果具场景特异性；采用1 μm单分散气溶胶代表可吸入长驻留空气传播分数，未模拟真实咳嗽多分散尺寸分布及近场大液滴喷雾暴露；行走速度0.5 m/s与2.0 m/s作为上下界扰动情景，行走运动为恒速刚体平移，未解析加速/减速阶段或步态周期体运动；分析限于单次咳嗽事件后0–60 s早期瞬态响应，未代表整个飞行绝对感染概率或长期重复排放与多感染源；风险指标基于局部吸入气溶胶浓度与修正CFD-Wells-Riley框架，未进行感染量子或实际感染剂量的独立校准，主要用于本模型框架内不同座位与操作条件的相对比较；CFD-ANN模型针对特定配置校准验证，显著不同舱体需新CFD数据集与重新训练ANN。

结论部分总结：第一，对比无动态乘员运动与耦合瞬态咳嗽事件及动态乘员运动的场景显示，此类运动可导致呼吸区时间平均短期感染风险指数P_i偏差高达86%。第二，所开发的ANN模型准确重构了不同源位置、行走速度和暴露时间下的舱内短期感染风险分布，MAE为4.23×10^-6mg/m³，RMSE为5.74×10^-6mg/m³，R²为0.95。第三，对于所研究舱体配置，单个瞬态CFD工况约需32小时墙钟时间；基于56个CFD工况训练82分钟后，ANN代理模型约2分钟即可预测新场景感染风险场，较相同条件下新完整CFD模拟减少约99%每场景计算时间。

需要我帮你把这篇论文的核心CFD设置与ANN输入输出特征整理成可直接套用的研究框架要点吗？