《Case Studies in Thermal Engineering》：A dual-branch feed forward neural network framework for robust indoor airflow and thermal classification prediction
编辑推荐：
随着室内热舒适与建筑节能需求的持续提升，空调房间气流组织的快速预测已成为关键研究方向。本研究提出一种融合分类算法的双分支前馈神经网络(Feed Forward Neural Network, FFN)，用于预测室内速度与温度分布：主分支处理多数类特征，并行分支
随着室内热舒适与建筑节能需求的持续提升，空调房间气流组织的快速预测已成为关键研究方向。本研究提出一种融合分类算法的双分支前馈神经网络(Feed Forward Neural Network, FFN)，用于预测室内速度与温度分布：主分支处理多数类特征，并行分支提取少数类特征。基于已验证数据（平均偏差1%）构建空调房间数据集并完成模型训练。研究人员系统分析了主流区分类精度、配置数量及分布外泛化性能。结果表明，当样本量充足（≥20组）时，预测精度最高可达96%；分布外测试显示模型对超范围数据的预测精度下降15.4%，但通过补充5组典型样本优化训练数据分布，精度可恢复至平均95%。此外，该方法进一步拓展至温度场预测：采用三元分类模型时，温度场预测精度达95%，且可实现精细化分区。本方法为空调房间的快速评估与节能设计提供了技术支撑。
《Case Studies in Thermal Engineering》刊发的这项研究，针对建筑环境领域长期存在的痛点展开攻关。传统计算流体动力学(Computational Fluid Dynamics, CFD)依赖网格离散与迭代求解，面对复杂几何构型时网格生成耗时且易引入误差，计算成本居高不下，难以满足空调房间气流组织快速评估的需求。现有基于人工智能的快速流场预测虽已在太阳能、环境等领域广泛应用，但在建筑场景中仍面临两大瓶颈：一是高保真CFD或实验数据获取成本高昂，针对“少工况”（独立工况≤20组）场景的预测算法研究匮乏，模型精度与数据量的平衡尚未解决；二是纯数据驱动模型在分布外数据上的预测精度显著下降，泛化能力不足。为此，研究人员开展了一项针对性研究，提出了一种双分支前馈神经网络结合分类算法的预测框架，旨在实现空调房间速度与温度分布的高效、高精度预测，同时提升少样本下的性能与分布外泛化能力。研究最终证实，该框架在少工况下仍能保持可靠精度，且可通过少量典型样本补充有效缓解分布外精度衰减问题，为室内气流组织优化与空调节能设计提供了全新的技术路径。
为开展上述研究，研究人员采用了三个核心技术方法：首先，基于Ansys Fluent构建三维空调房间数值模型，以夏季高温制冷工况为模拟对象，通过网格独立性验证（84872个单元时监测点最大温度偏差<0.1℃）与实验验证（模拟与实测平均偏差0.41℃）确保CFD数据集可靠性，数据集涵盖3~8 m不同长度房间的流场与温度场数据；其次，设计双分支前馈神经网络架构，将速度以0.3 m/s为阈值分为主流区（Class 1）与非主流区（Class 0），主分支处理多数类特征，并行分支专门提取占比仅15%~45%的少数类（主流区）特征，并采用焦点损失函数(Focal Loss)缓解类别不平衡；最后，设置三组消融实验（双分支+重采样、双分支+加权损失、单分支FFN）对比验证所提架构的有效性，同时从样本量、分布外泛化两个维度系统评估模型性能。
研究结果部分，研究人员通过四个小节展开了详细论证。3.1节“气流传热过程与预测结果”中，通过分析CFD流场揭示了空调房间速度分布规律：冷风从送风口喷出形成高速主流区，随距离增加与室内空气混合换热、速度衰减，近壁面因边界层效应形成低速区；双分支FFN在主流区预测中实现95.2%的总体准确率，主流区交并比(Intersection over Union, IoU)达93.0%，显著优于单分支FFN（IoU 80.8%），且沿X/Y/Z方向的预测平均精度达95.2%，仅在进风口高梯度区与近壁面存在小幅误差。3.2节“配置数量对模型精度的影响”表明，模型精度随样本量增加显著提升：样本量从5组增至10组时，精度提升30.5%；当样本量≥20组时，精度趋于饱和（约96%），继续增加样本对精度提升有限但可能带来过拟合风险。3.3节“分布外数据的预测性能”显示，仅用5~7 m房间数据训练的模型，在3 m、8 m的分布外数据上精度分别降至74%、88%，平均下降14.4%；补充3 m、3.5 m、4 m、4.5 m、8 m共5组典型样本后，整体精度回升至95%，证明优化训练数据分布可有效提升分布外泛化能力。3.4节“温度场的三元分类预测”将速度预测框架拓展至温度场，以过热、舒适、过冷为标准进行三元分类，模型总体准确率达96.2%，可精准识别不同热环境分区，其中舒适区的精确率与召回率均超过95%，F1分数达96.1%，满足精细化热舒适评估需求。
讨论与结论部分，研究人员总结了四项核心发现：第一，所提双分支FFN可实现主流区空间分布的自动识别，最高预测精度达96.5%，避免了传统经验划分的主观性，多截面预测结果与真实流场吻合度高，为气流组织优化与能耗分析提供了可靠数据基础；第二，模型在少工况下仍保持可用精度（5组数据时约77%），样本量≥20组时精度达95%，可有效拟合主流区复杂分布；第三，分布外数据因流场特征差异导致模型精度平均下降15.4%，补充5组典型样本可将整体平均精度提升至96%，满足工程需求；第四，温度场三元分类预测精度超95%，可实现舒适、过冷、过热分区的精细化识别，为空调节能调控提供依据。该研究突破了传统CFD的计算效率瓶颈与纯数据驱动模型的泛化限制，为建筑环境的快速数字化评估提供了新的技术范式。
