.png){kind=icon}
返回
A Pattern-constrained deep learning model for urban canopy turbulence reconstruction from sparse sensor data
.png){kind=icon}
PRE
AI
DOI：10.1016/j.buildenv.2025.113535.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• GAN-based PCG集成了基于对比学习的特征提取模块。
• PCG能够从稀疏传感器数据中实现多尺度城市风场重建。
• Niigata LES验证表明，PCG相比基线方法降低了误差，性能更优。
• PCG在16至48个传感器下仍能保持准确性，在实际稀疏场景中表现出鲁棒性。
Keyword:
GAN-based PCG
contrastive learning
multi-scale wind reconstruction
sparse sensor data
urban wind modeling
期刊
IF:
7.6
论文数:
1.3W
被引数:
6.6W
机构
引用论文
.png){kind=icon}
Towards real-time prediction of velocity field around a building using generative adversarial networks based on the surface pressure from sparse sensor networks基于稀疏传感器网络的表面压力，使用生成对抗网络实时预测建筑物周围的速度场
PREAI
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏
查看更多内容