Inpainting U-Net for seamless pedestrian-level wind prediction across urban morphologies

Resumo Técnico: U-Net de Inpainting para Predição de Vento ao Nível do Pedestre Sem Descontinuidades

Definição do Problema
A predição de vento ao nível do pedestre é crítica para o design urbano, segurança e avaliação do conforto térmico/eólico. Embora a Dinâmica de Fluidos Computacional (CFD) de alta fidelidade, como a Simulação de Grandes Eddies (LES), forneça resultados precisos, ela permanece computacionalmente cara, dificultando a avaliação rápida em diversas morfologias urbanas. Modelos substitutos baseados em dados, particularmente Redes Neurais Convolucionais (CNNs) como a U-Net, oferecem uma alternativa mais rápida. No entanto, uma limitação significativa na aplicação da U-Net a grandes domínios urbanos é a estratégia de inferência "por patches" (fragmentos). Para gerenciar memória e resolução, o domínio de entrada é tipicamente dividido em tiles de tamanho fixo processados independentemente. Essa abordagem frequentemente resulta em descontinuidades e inconsistências nas fronteiras dos patches quando os tiles são montados em uma solução global. Métodos de pós-processamento existentes (ex: média de janelas sobrepostas) suavizam essas descontinuidades estatisticamente, mas carecem de uma base física explícita ou da capacidade de incorporar efetivamente o contexto de fluxo circundante.

Metodologia
O estudo propõe um framework de duas etapas baseado em U-Net, projetado para gerar predições contínuas e de alta resolução da velocidade do vento média ao nível do pedestre sobre morfologias urbanas realistas. O framework utiliza o dataset UrbanTALES, um banco de dados LES de larga escala contendo 288 configurações urbanas realistas com variações de densidade, layout e direções de vento.

1. Pré-processamento de Dados:

   • Normalização: Alturas de edifícios, distâncias de fetch e velocidades do vento são normalizadas para o intervalo unitário usando escalonamento baseado em percentis (ex: percentil 95 para altura, 99 para velocidade).
   • Rotação e Expansão: Para lidar com direções de vento arbitrárias sem entradas direcionais explícitas, todo o domínio é rotacionado para que o vento que se aproxima se alinhe com o eixo x positivo. O domínio é expandido em um campo de $3 \times 3$ tiles sob condições de contorno periódicas para garantir a disponibilidade de contexto para os patches de borda.
   • Extração de Patches: Os dados de treinamento são extraídos como patches de tamanho fixo.

2. Etapa 1: Modelo Base (M1):

   • Arquitetura: Uma U-Net padrão com quatro níveis de resolução, estrutura encoder-decoder e conexões de salto (skip connections).
   • Entrada: Topografia normalizada (máscara de edifícios com altura) e fetch normalizado (distância até o edifício a montante) para um patch de $128 \times 128$ pixels ($128\text{m} \times 128\text{m}$ com resolução de $1\text{m}$).
   • Saída: Velocidade do vento normalizada prevista para o mesmo patch de $128 \times 128$.
   • Função: M1 aprende o mapeamento primário da morfologia local para a velocidade do vento, capturando a distribuição espacial geral.

3. Etapa 2: Modelo de Refinamento (M2) - Estratégia de Inpainting:

   • Arquitetura: Arquitetura U-Net idêntica à M1, mas com tamanho de entrada/saída maior ($192 \times 192$ pixels).
   • Entrada: Um campo composto consistindo da região central de $128 \times 128$ (predita por M1) cercada por uma margem de dados de fluxo reais (durante o treinamento) ou predições de M1 (durante a inferência), juntamente com a topografia correspondente de $192 \times 192$.
   • Função: M2 atua como um modelo de inpainting. Ele utiliza o contexto de fluxo circundante para corrigir descontinuidades de borda e refinar detalhes locais na predição de M1.
   • Esquema de Inferência: Durante a inferência de campo total, M2 é aplicado iterativamente usando um esquema de Gauss-Seidel. Os patches são processados sequencialmente, e a região central atualizada é imediatamente usada como contexto para os patches subsequentes. Um fator de sub-relaxação ($\alpha = 0,2$) é aplicado para garantir a estabilidade. A iteração continua até que a diferença absoluta média entre as iterações consecutivas converja.

Principais Contribuições

• Framework de Duas Etapas: A introdução de um pipeline específico de duas etapas onde um modelo de patch por vez (baseline) é seguido por um modelo de refinamento baseado em inpainting para abordar artefatos de borda.
• Inpainting para Continuidade de Fluxo: Diferente das técnicas tradicionais de suavização, o M2 aprende explicitamente a reconstruir regiões ausentes ou inconsistentes usando informações de fluxo vizinhas, tratando efetivamente as descontinuidades de borda como "dados ausentes" a serem preenchidos com base no contexto físico.
• Escalabilidade de Domínio Arbitrário: O framework mantém a flexibilidade da inferência baseada em patches (permitindo a predição sobre domínios de tamanho arbitrário) enquanto alcança saídas de campo total contínuas através do processo de refinamento iterativo.
• Treinamento Invariante à Rotação: Ao rotacionar as entradas para alinhar com o eixo x, os modelos aprendem características independentes de direção, eliminando a necessidade de a direção do vento ser uma entrada explícita.

Resultados

• Desempenho ao Nível de Patch (M1): M1 captura com precisão regiões de baixa e moderada velocidade e a distribuição espacial geral da velocidade do vento. No entanto, tende a subestimar picos de alta velocidade (ex: próximo a cantos de edifícios) e performa menos efetivamente em patches de baixa densidade com informações morfológicas limitadas.
• Desempenho de Refinamento (M2): M2 reduz significativamente os artefatos de borda de patch e melhora a coerência espacial. Ele suaviza efetivamente as descontinuidades enquanto preserva a estrutura geral do fluxo. Em alguns casos, o M2 melhora as predições de alta velocidade ao utilizar informações de borda, embora não consiga corrigir totalmente erros estruturais de grande escala cometidos pelo M1.
• Desempenho de Campo Total: Em 18 casos urbanos não vistos, o framework reproduz a velocidade média do vento e a variabilidade espacial (desvio padrão) de forma razoável em comparação com o ground truth do LES. A velocidade média e o desvio padrão mostram forte concordância com o ground truth. Entretanto, as velocidades máximas permanecem subestimadas, indicando que o modelo tem dificuldade com eventos de vento locais extremos. O framework não apresenta viés sistemático significativo relacionado à direção do vento após a rotação.

Significância e Alegações
O artigo afirma que o framework proposto fornece um modelo substituto eficiente e flexível para a predição de vento ao nível do pedestre de alta resolução em morfologias urbanas realistas. Sua principal significância reside em resolver o "problema da borda de patch" inerente à predição espacial baseada em deep learning sem recorrer a pós-processamentos ad-hoc. Ao integrar uma etapa de refinamento baseada em inpainting, o método produz predições de campo total contínuas que são fisicamente mais consistentes do que as abordagens padrão de patch. Os autores observam que, embora o modelo seja eficaz para avaliação geral de conforto eólico, ele atualmente subestima velocidades de vento extremas, sugerindo que trabalhos futuros devem focar em melhorar a predição de eventos de alta velocidade através de funções de perda reponderadas ou amostragem direcionada.