UrbanFlow-3K: A Dataset of 3,000 Lattice-Boltzmann Simulations of Random Building Layouts

Die Studie stellt den „UrbanFlow-3K"-Datensatz vor, der 3.000 zweidimensionale Gitter-Boltzmann-Simulationen von Strömungen um zufällige Gebäudeanordnungen mit hoher geometrischer Vielfalt enthält, um die Entwicklung und Benchmarking von Machine-Learning-Modellen für urbane Strömungsfelder zu ermöglichen.

Das Wesentliche

🏙️ Der große Stadt-Fluss-Atlas

Stell dir vor, du möchtest verstehen, wie der Wind durch eine Stadt weht. Das ist wichtig, damit Fußgänger nicht frieren, Luftschadstoffe nicht in den Straßen stecken bleiben und Drohnen sicher fliegen können.

Normalerweise nutzen Wissenschaftler dafür riesige Computer-Simulationen (wie einen extrem detaillierten digitalen Windkanal). Das Problem: Diese Simulationen sind so rechenintensiv, dass sie wie ein Schwerlast-LKW sind – sie brauchen viel Zeit, viel Kraft und kosten eine Menge Geld. Wenn man tausende von verschiedenen Stadt-Layouts testen will, bricht einem der Computer vor lauter Arbeit zusammen.

🎲 Das neue Werkzeug: Ein riesiges Kartenspiel

Um dieses Problem zu lösen, haben die Forscher (Hojin Lee, Andreas Lintermann und ihre Kollegen) etwas Geniales entwickelt: UrbanFlow-3K.

Stell dir das wie ein riesiges Kartenspiel vor, das aus 3.000 Karten besteht. Jede Karte zeigt eine andere, zufällig zusammengestellte Mini-Stadt.

• Die Gebäude: Auf jeder Karte gibt es zwischen 3 und 6 Gebäude. Diese sind wie Spielsteine: Sie haben unterschiedliche Größen, stehen an zufälligen Orten und sind sogar schief gedreht (wie wenn man ein Puzzle durcheinanderwirft).
• Der Wind: Die Forscher haben den Wind in drei verschiedenen Stärken durch diese Städte geblasen (niedrig, mittel, stark).

Das Besondere an diesem Kartenspiel ist, dass es zweidimensional ist. Stell dir vor, du schaust auf eine Stadt nicht von oben (wie ein Drohnenbild), sondern wie auf eine flache Landkarte, auf der man nur sieht, wie der Wind von links nach rechts strömt.

🚀 Warum ist das so toll? (Der „Flugzeug-Flugzeug"-Vergleich)

Warum machen sie das nicht gleich in 3D? Hier kommt der beste Vergleich:

Stell dir vor, du willst lernen, ein Flugzeug zu fliegen.

1. Die alte Methode: Du setzt dich sofort in einen echten, teuren 3D-Jet und fliegst los. Das ist gefährlich, teuer und wenn du einen Fehler machst, ist die Maschine kaputt. Das ist wie die teuren 3D-Simulationen.
2. Die neue Methode (UrbanFlow-3K): Zuerst übst du in einem Flugsimulator am Boden (dem 2D-Datensatz). Dort kannst du tausende Male starten, landen und Fehler machen, ohne dass jemand verletzt wird oder Millionen kosten.

Sobald du im Simulator perfekt bist, kannst du dein Wissen auf den echten Jet übertragen. Genau das wollen die Forscher mit den KI-Modellen machen:

• Sie trainieren die KI erst auf den 3.000 einfachen 2D-Karten (dem Simulator).
• Dann nehmen sie das gelernte Wissen und passen es auf die schwierigen 3D-Städte an.

Das spart enorme Zeit und Rechenleistung.

🌪️ Was passiert in den Karten?

In diesen 3.000 Szenarien beobachten die Forscher, wie der Wind mit den Gebäuden spielt:

• Wirbel: Hinter den Gebäuden entstehen Wirbel (wie wenn Wasser hinter einem Stein im Fluss kreist).
• Tunnel-Effekt: Wenn zwei Gebäude eng beieinander stehen, wird der Wind zwischen ihnen so schnell, als würde er durch einen Tunnel geblasen.
• Schutz: Manche Gebäude schirmen andere vor dem Wind ab.

Da die Gebäude in den Karten immer anders angeordnet sind, sieht die KI jede erdenkliche Kombination: enge Gassen, weite Plätze, hohe Wolkenkratzer und kleine Häuschen.

📦 Was ist im Paket enthalten?

Die Forscher haben nicht nur die Bilder (die Daten) veröffentlicht, sondern auch die Werkzeuge, um sie zu benutzen:

• Sie haben spezielle „Übersetzer"-Skripte geschrieben. Diese wandeln die rohen, komplizierten Simulationsdaten in ein Format um, das moderne KI-Modelle (wie neuronale Netze) sofort verstehen können.
• Es ist alles offen zugänglich, damit jeder Forscher, Student oder Entwickler darauf zugreifen kann.

🏁 Das Fazit

Kurz gesagt: Die Forscher haben einen riesigen, kostenlosen Trainingsparkplatz für KI gebaut, auf dem diese lernen kann, wie Wind durch Städte strömt. Anstatt sofort in teure, komplexe 3D-Simulationen zu investieren, können sie jetzt erst auf diesem einfachen, aber cleveren 2D-Parkplatz üben. Das macht die Entwicklung von smarteren Städten, besseren Drohnen und sauberer Luft viel schneller und günstiger.

Technische Zusammenfassung

Technische Zusammenfassung: UrbanFlow-3K

1. Problemstellung und Motivation
Die Analyse von Strömungen um Gebäude ist für Anwendungen wie Fußgängersicherheit, Schadstoffausbreitung, natürliche Belüftung und Energieeffizienz von zentraler Bedeutung. Während hochauflösende Strömungssimulationen (CFD – Computational Fluid Dynamics) detaillierte Einblicke bieten, sind sie für Echtzeitanwendungen oder große parametrische Studien aufgrund ihrer prohibitiven Rechenkosten oft zu teuer. Maschinelles Lernen (ML) wird zunehmend als schnelle Ersatzmodellierung (Surrogat-Modellierung) eingesetzt, um diese Lücke zu schließen.

Ein kritisches Hindernis für die Entwicklung solcher ML-Modelle ist jedoch der Mangel an offenen, hochwertigen Trainingsdatensätzen. Insbesondere fehlen öffentlich zugängliche zweidimensionale (2D) Datensätze für urbane Strömungsfelder. Solche 2D-Daten sind jedoch essenziell für die frühe Entwicklungs- und Debugging-Phase von ML-Architekturen, bevor Modelle auf rechenintensive 3D-Datensätze skaliert werden. Bisherige verfügbare Datensätze sind oft auf 3D beschränkt oder bieten nicht genügend geometrische Vielfalt für systematische Studien.

2. Methodik
Das Paper stellt den Datensatz UrbanFlow-3K vor, der aus 3.000 simulierten urbanen Strömungsfeldern besteht.

• Simulationsframework: Die Simulationen wurden mit dem m-AIA-Framework (Multiphysics Aerodynamisches Institut Aachen) durchgeführt, welches einen Lattice-Boltzmann (LB)-Solver verwendet. Der Solver nutzt die BGK-Kollisionsoperatoren und das Standard-D2Q9-Schema.
• Rechenleistung: Die Berechnungen liefen auf dem Supercomputer JURECA-DC (Forschungszentrum Jülich) auf GPU-Partitionen (NVIDIA A100).
• Geometrische Vielfalt:
  • Jeder Szenario enthält zwischen 3 und 6 Gebäuden.
  • Die Gebäude haben zufällige Größen (Kantenlänge $d$ zwischen $d_{ref}$ und $2d_{ref}$), Positionen und Rotationswinkel ($0^\circ$ bis $90^\circ$).
  • Der Rechendomäne beträgt $45 \times 30$ Referenzlängen ($d_{ref}$), wobei ein „Region of Interest" (ROI) von $9 \times 7$ $d_{ref}$ definiert ist.
• Strömungsregime: Die Simulationen decken drei verschiedene Reynolds-Zahlen ab ($Re = 3.000, 4.000, 5.000$), was jeweils 1.000 Simulationen pro Wert entspricht.
• Gitterverfeinerung: Es wurden unstrukturierte hierarchische kartesische Gitter (Octree-basiert) verwendet. Umwandlungen in gleichmäßige Gitter für ML-Zwecke erfolgen durch Nearest-Neighbor-Interpolation auf dem ROI.
• Randbedingungen: Einlass (gleichförmige Geschwindigkeit), Auslass (konstanter Druck), slip-Fläche oben/unten und no-slip-Bedingungen an den Gebäudewänden (interpoliertes Bounce-Back-Schema).

3. Schlüsselbeiträge

• Umfangreicher offener Datensatz: Bereitstellung von 3.000 hochqualitativen 2D-Simulationen urbaner Strömungen, die speziell für das Training von ML-Modellen konzipiert sind.
• Geometrische Diversität: Durch die zufällige Generierung von Gebäudeanzahl, -größe, -position und -rotation wird ein breites Spektrum an Strömungsphänomenen (Wirbelbildung, Abschattung, Strahlbeschleunigung, Rezirkulationszonen) abgedeckt.
• ML-Ready-Formatierung: Der Datensatz bietet nicht nur die Rohdaten (hierarchische Gitter), sondern auch Skripte und Datenformate, die direkt mit gängigen ML-Architekturen kompatibel sind:
  • CNN-freundlich: Umwandlung in gleichmäßige, strukturierte Gitter.
  • GNN-freundlich: Generierung von Graph-Repräsentationen mit Adjazenzlisten und Knotenattributen.
• Transfer-Learning-Potenzial: Der Datensatz dient als kostengünstige Basis für das Pre-Training von Modellen, die später auf teurere 3D-Datensätze übertragen (Fine-Tuning) werden können.

4. Ergebnisse und Validierung

• Gitterunabhängigkeitsstudie: Es wurden Studien mit groben, mittleren und feinen Gittern durchgeführt. Die Ergebnisse zeigten eine quantitative Konvergenz für den Widerstandsbeiwert ($C_d$) und Geschwindigkeitsprofile. Das „mittlere" Gitter wurde für den finalen Datensatz gewählt, da es einen optimalen Kompromiss zwischen Genauigkeit und Rechenkosten bietet (Fehler gegenüber feinem Gitter < 4%).
• Validierung: Die Ergebnisse wurden mit Referenzdaten aus der Literatur verglichen.
  • Der Widerstandsbeiwert für ein einzelnes quadratisches Zylinder-Modell bei $Re=500$ lag mit einem relativen Fehler von ca. 5,3% im akzeptablen Bereich.
  • Die Strouhal-Zahl ($St = 0,14$) für die Wirbelablösung fiel in den erwarteten Bereich ($0,13 - 0,18$).
• Strömungsanalyse: Die Visualisierung der Daten zeigt, dass die Reynolds-Zahl im untersuchten Bereich ($3.000 - 5.000$) keine drastischen Änderungen in der grundlegenden Wirbelstruktur bewirkt, aber die Anzahl und Anordnung der Gebäude einen massiven Einfluss auf die Strömungsdynamik hat. Dichte Bebauung führt zu stärkerer Kanalbildung und Jet-Beschleunigung, während weitläufige Anordnungen isolierte Wirbelzonen erzeugen.

5. Bedeutung und Ausblick
Der UrbanFlow-3K-Datensatz schließt eine kritische Lücke in der Forschung zu datengesteuerten Strömungssimulationen. Er ermöglicht:

• Systematische Benchmarking-Studien für ML-Architekturen unter kontrollierten Bedingungen.
• Die Entwicklung von Transfer-Learning-Strategien, bei denen Modelle zuerst auf großen 2D-Datensätzen trainiert und dann auf komplexe 3D-Szenarien adaptiert werden.
• Eine effiziente Testumgebung für die Optimierung von Trainingsstrategien, ohne die hohen Kosten von 3D-CFD-Simulationen in der Entwicklungsphase zu tragen.

Der Datensatz ist öffentlich über Harvard Dataverse (DOI: 10.7910/DVN/J2DRQO) verfügbar und wird durch Datenverarbeitungs-Skripte für CNNs und GNNs ergänzt. Zukünftige Arbeiten zielen darauf ab, diese 2D-Datenbasis auf einen umfassenden 3D-Datensatz für realistische Stadtgeometrien zu erweitern.