مدل های سه بعدی شهر هندسی CFD تا تجسم باد در یک محیط شهری

گردش کار پیوسته و نیمه خودکار: از مدل های سه بعدی شهر با بهینه سازی هندسی و شبیه سازی CFD تا تجسم باد در یک محیط شهری

خلاصه

مفهوم و اجرای شهرهای هوشمند یک رویکرد مهم برای بهبود تصمیم گیری و همچنین کیفیت زندگی جمعیت رو به رشد شهری است. بخش مهمی از این ارائه داده ها از منابع مختلف در یک مدل شهر دیجیتال است. جریان باد در مقیاس ساختمان تاثیر زیادی بر بسیاری از مسائل بهداشتی و انرژی در یک شهر دارد. برای تجزیه و تحلیل باد شهری، دینامیک سیالات محاسباتی (CFD) به یک ابزار شناخته شده تبدیل شده است، اما به دانش تخصصی برای آماده سازی ورودی هندسی در طول یک فرآیند زمان بر نیاز دارد. نتایج فقط به عنوان انتخاب های از پیش تعریف شده از تصاویر یا فیلم ها در دسترس هستند. در این مقاله، یک گردش کار پیوسته و نیمه خودکار ارائه شده است که ❶ آماده سازی مدل های شبیه سازی CFD را با استفاده از یک بهینه سازی هندسه تا حد زیادی خودکار، سرعت می بخشد. و ❷ اکتشاف تعاملی مبتنی بر وب شبیه سازی باد شهری را برای مخاطبان بزرگ و متنوع، از جمله کارشناسان و افراد غیر عادی، امکان پذیر می کند. نتایج بر اساس یک مطالعه موردی با استفاده از بخشی از یک منطقه در اشتوتگارت از نظر موارد زیر ارزیابی می‌شوند: – صرفه‌جویی در زمان گردش کار آماده‌سازی مدل CFD (85٪ سریع‌تر از روش دستی)، – اندازه‌گیری زمان پاسخگویی فرمت‌های داده مختلف در Smart پلتفرم شهری (کاشی‌های سه‌بعدی با استفاده از نمایش داده‌های یکسان 30 درصد سریع‌تر از geoJSON بارگیری می‌شوند) و پروتکل‌های ➂ (3DPS انعطاف‌پذیری بسیار بالاتری نسبت به API کانتینر استاتیک و سه بعدی ارائه می‌دهد)، و همچنین ➃ تجزیه و تحلیل تجربه کاربر ذهنی از طرح‌های تجسم مختلف باد شهری. صرفه جویی در زمان برای بهینه سازی مدل ممکن است بسته به کیفیت داده ها و وسعت منطقه مورد مطالعه متفاوت باشد. نتایج بر اساس یک مطالعه موردی با استفاده از بخشی از یک منطقه در اشتوتگارت از نظر موارد زیر ارزیابی می‌شوند: – صرفه‌جویی در زمان گردش کار آماده‌سازی مدل CFD (85٪ سریع‌تر از روش دستی)، – اندازه‌گیری زمان پاسخگویی فرمت‌های داده مختلف در Smart پلتفرم شهری (کاشی‌های سه‌بعدی با استفاده از نمایش داده‌های یکسان 30 درصد سریع‌تر از geoJSON بارگیری می‌شوند) و پروتکل‌های ➂ (3DPS انعطاف‌پذیری بسیار بالاتری نسبت به API کانتینر استاتیک و سه بعدی ارائه می‌دهد)، و همچنین ➃ تجزیه و تحلیل تجربه کاربر ذهنی از طرح‌های تجسم مختلف باد شهری.

صرفه جویی در زمان برای بهینه سازی مدل ممکن است بسته به کیفیت داده ها و وسعت منطقه مورد مطالعه متفاوت باشد. نتایج بر اساس یک مطالعه موردی با استفاده از بخشی از یک منطقه در اشتوتگارت از نظر موارد زیر ارزیابی می‌شوند: – صرفه‌جویی در زمان گردش کار آماده‌سازی مدل CFD (85٪ سریع‌تر از روش دستی)، – اندازه‌گیری زمان پاسخگویی فرمت‌های داده مختلف در Smart پلتفرم شهری (کاشی‌های سه‌بعدی با استفاده از نمایش داده‌های یکسان 30 درصد سریع‌تر از geoJSON بارگیری می‌شوند) و پروتکل‌های ➂ (3DPS انعطاف‌پذیری بسیار بالاتری نسبت به API کانتینر استاتیک و سه بعدی ارائه می‌دهد)، و همچنین ➃ تجزیه و تحلیل تجربه کاربر ذهنی از طرح‌های تجسم مختلف باد شهری. صرفه جویی در زمان برای بهینه سازی مدل ممکن است بسته به کیفیت داده ها و وسعت منطقه مورد مطالعه متفاوت باشد. ➁ اندازه گیری زمان پاسخ از فرمت های مختلف داده در پلت فرم شهر هوشمند (کاشی های سه بعدی با استفاده از نمایش داده های یکسان 30٪ سریعتر از geoJSON بارگیری می شوند) و پروتکل های ➂ (3DPS انعطاف پذیری بسیار بالاتری نسبت به API کانتینر استاتیک و سه بعدی ارائه می دهد)، و همچنین ➃ ذهنی تجزیه و تحلیل تجربه کاربر از طرح های تجسم مختلف باد شهری. صرفه جویی در زمان برای بهینه سازی مدل ممکن است بسته به کیفیت داده ها و وسعت منطقه مورد مطالعه متفاوت باشد. ➁ اندازه گیری زمان پاسخ از فرمت های مختلف داده در پلت فرم شهر هوشمند (کاشی های سه بعدی با استفاده از نمایش داده های یکسان 30٪ سریعتر از geoJSON بارگیری می شوند) و پروتکل های ➂ (3DPS انعطاف پذیری بسیار بالاتری نسبت به API کانتینر استاتیک و سه بعدی ارائه می دهد)، و همچنین ➃ ذهنی تجزیه و تحلیل تجربه کاربر از طرح های تجسم مختلف باد شهری. صرفه جویی در زمان برای بهینه سازی مدل ممکن است بسته به کیفیت داده ها و وسعت منطقه مورد مطالعه متفاوت باشد.

کلید واژه ها:

شهر هوشمند ؛ محیط شهری ; دینامیک سیالات محاسباتی ; مهندسی باد محاسباتی ; کنسرسیوم فضایی باز ; شبیه سازی محیطی ; تجسم سه بعدی ؛ خدمات وب ; گردش کار خودکار ؛ CityGML

1. معرفی

از آنجایی که مردم بیشتر و بیشتر در شهرها زندگی می کنند، ارائه آینده ای پایدار برای ساکنان شهرها به طور فزاینده ای مناسب می شود. شهرهای هوشمند، که به عنوان «ادغام مؤثر سیستم‌های فیزیکی، دیجیتال و انسانی برای ارائه آینده‌ای پایدار، مرفه و فراگیر برای شهروندانش [ 1 ]» تعریف می‌شوند، یک رویکرد اساسی در این زمینه است.

بخش اساسی مفهوم شهر هوشمند نمایش داده ها (به عنوان مثال، داده های حسگر، نتایج شبیه سازی) از منابع مختلف در یک پلت فرم شهر هوشمند است، به عنوان مثال، یک برنامه کاربردی مبتنی بر وب و قابل کاوش تعاملی که نتایج را در بافت یک شهر دیجیتال نشان می دهد. مدل. چنین مدل‌های سه‌بعدی (سه‌بعدی) شهر در بسیاری از نقاط جهان (تا حدی حتی آزادانه) در دسترس هستند. اخیراً، یک لایه ساختمان سه بعدی در سراسر جهان بر اساس داده های نقشه خیابان باز به کره دیجیتال سزیوم اضافه شده است [ 2 ]. در سطح ملی، کشورهایی مانند آلمان مدل‌های ساختمانی سه بعدی [ 3 ] و در سطح شهرداری، شهرهایی مانند وین [ 4 ]، زوریخ [ 5 ] و هلسینکی [ 6] ارائه می‌کنند.] دوقلوهای دیجیتالی دقیق منطقه ساخته شده را توسعه دهید. مدل‌های شهر سه بعدی ارائه شده در را برای تعداد زیادی از برنامه‌های کاربردی برای شبیه‌سازی‌های محیطی و پشتیبانی تصمیم [ 7 ] باز می‌کند، به عنوان مثال، تقاضای گرما [ 8 ]، تخمین پتانسیل فتوولتائیک [ 9 ] و انتشار نویز [ 10 ]. یکی دیگر از عوامل مهمی که بر جنبه های مختلف کیفیت زندگی شهری که بسیاری از آنها به مسائل بهداشتی یا انرژی مربوط می شود، تأثیر می گذارد، جریان باد در نزدیکی ساختمان ها در داخل شهرها است. جریان باد بر راحتی عابر پیاده، امکانات تهویه طبیعی، آب و هوای خرد شهری، پراکندگی آلودگی یا بازده انرژی توربین‌های بادی تأثیر دارد [ 11 ].

جریان باد شهری به شدت تحت تاثیر ساختمان ها است [ 12 ]. مطالعات اخیر در زمین های باز و همچنین در مناطق ساخته شده نشان می دهد که زمین های پیچیده و پوشش گیاهی نیز تأثیر قابل توجهی بر جریان باد دارند [ 13 ، 14 ]. امکان به دست آوردن داده های باد ❶ درجا یا ❷ اندازه گیری تونل باد و ❸ شبیه سازی است. اندازه گیری باد در محل نیاز به فناوری اندازه گیری پیچیده دارد [ 14 ، 15]: به اصطلاح بادسنج ها سری های زمانی سرعت باد را در محل نصب خود ارائه می دهند. اندازه گیری های LiDAR پارامترهای باد را در یک صفحه عمودی در یک تاریخ خاص ارائه می دهد. در داخل یک منطقه شهری، داده‌ها معمولاً از تعداد کمی از اندازه‌گیری‌هایی که روی پشت بام چند ساختمان مرتفع انجام می‌شود در دسترس است. این اندازه‌گیری‌ها بینشی از جریان اطراف ساختمان‌ها نمی‌دهد. آزمایش‌های تونل باد می‌تواند جزئیات بیشتری را در مورد جریان باد برای یک منطقه خاص نشان دهد، اما به دلیل تلاش‌های مورد نیاز (به عنوان مثال، نیاز به مدل دقیق مقیاس، دسترسی به تونل باد و فناوری اندازه‌گیری جامع) به مطالعات منفرد محدود می‌شود [ 16 ] . در دهه های اخیر، دینامیک سیالات محاسباتی (CFD) به یک ابزار شناخته شده برای درک شرایط جریان در اطراف ساختمان ها و در مناطق شهری تبدیل شده است [ 11]]. قدرت محاسباتی موجود در حال حاضر، امکان بررسی مشکلات بیشتر و پیچیده تر در محله های نسبتاً بزرگ را فراهم می کند. بنابراین، CFD می تواند به سوالاتی مانند حمل و نقل گرما و آلودگی یا بهره برداری از انرژی باد شهری پاسخ دهد [ 17 ، 18 ، 19 ]. اعتبار سنجی رویکرد CFD به دلیل ماهیت آشفته باد [ 20 ] ذاتاً دشوار است. هنگام برخورد با شهرهای واقعی، داده های خاصی مورد نیاز است. با این حال، ارائه آنها ممکن است پیچیده باشد. با این وجود، رویکرد CFD در تعداد کافی مطالعات تایید شده است، برای ایجاد اطمینان در اهمیت آن، به [ 17 ، 18 ، 19 ] مراجعه کنید.

در این مقاله، یک گردش کار برای ادغام نتایج شبیه‌سازی CFD میدان‌های باد شهری در یک پلت فرم شهر هوشمند پیشنهاد شده‌است. با هدف نمایش جریان باد محاسبه شده در بافت مدل های سه بعدی شهر، منطقی است که از آنها به عنوان ورودی هندسی نیز استفاده شود. دو وظیفه اصلی در گردش کار کلی وجود دارد: اولین کار ارائه یک گردش کار برای راه اندازی مدل شبیه سازی بر اساس مدل های شهر سه بعدی است. این کار باید تا حد امکان خودکار شود تا سرعت راه‌اندازی افزایش یابد. وظیفه دوم ارائه نتایج شبیه‌سازی CFD به روش تعاملی قابل کاوش مانند یک پلتفرم مبتنی بر وب است که می‌تواند مدل شهر سه بعدی را نیز نشان دهد. ارائه های شناخته شده از پس پردازش CFD (به عنوان مثال، فیلدهای اسکالر، فیلدهای برداری و خطوط جریان) باید در چنین پلت فرم شهر هوشمند در دسترس قرار گیرند. گردش کار کلی، ابتدا متخصصان شبیه‌سازی را قادر می‌سازد تا راه‌اندازی مدل شبیه‌سازی را بر اساس مدل‌های واقعی و دقیق شهر سه‌بعدی افزایش دهند. و دوم، طیف گسترده‌ای از کاربران را قادر می‌سازد تا به نتایج شبیه‌سازی‌های CFD آفلاین برای درک بهتر باد شهری و تصمیم‌گیری تکیه کنند.

طرح کلی مقاله به شرح زیر است: بخش 2 وضعیت هنر شبیه‌سازی میدان باد CFD را با استفاده از مدل‌های شهر سه‌بعدی و رویکردهای موجود برای ادغام داده‌های باد در پلت‌فرم‌های شهر هوشمند خلاصه می‌کند. بر اساس این بررسی کار قبلی، بخش 3 شکاف های تحقیقاتی را که در این مقاله به آنها پرداخته می شود، مشخص می کند. در بخش 4 یک نمای کلی از گردش کار شامل خدمات داده های جغرافیایی، شبیه سازی CFD و خدمات تجسم ارائه شده است. در بخش 5 جزئیات مراحل میانی گردش کار توضیح داده شده است. نتایج آنها در بخش 6 ارائه و ارزیابی شده و در بخش 7 مورد بحث قرار گرفته است . نتیجه گیری در بخش 8 ترسیم شده است.

2. وضعیت هنر

در داخل CFD، معادلات ناویر-استوکس، یک سیستم معادلات دیفرانسیل جزئی که حرکت سیالات چسبناک را توصیف می‌کند، به صورت عددی با تقسیم حجم هوا به سلول‌های سه بعدی و به اصطلاح مش حل می‌شوند. نتایج شبیه‌سازی‌های CFD مقادیر عددی فشار، مولفه‌های سرعت و سایر پارامترهای فیزیکی برای هر سلول مش است. برای CFD شهری، چندین بسته نرم افزاری منبع باز و تجاری دسکتاپ موجود است [ 18]. تولید مش برای CFD معمولا در یک بسته نرم افزاری CFD انجام می شود. به طور معمول، داده‌های هندسی زیربنایی باید در قالب داده‌های CAD (طراحی به کمک رایانه) مانند STEP (استاندارد برای تبادل داده‌های مدل محصول) یا STL (زبان مثلثی استاندارد) باشند. استفاده از مدل‌ها و فرمت‌های داده‌های جغرافیایی-مکانی مانند CityGML ساده نیست، زیرا باید به یکی از فرمت‌های قبلی تبدیل شود. پس از تبدیل از فرمت‌های GIS به فرمت‌های CAD، باید اطمینان حاصل شود که اجسام دارای هندسه‌ای محکم و دارای سطحی از جزئیات مناسب با مشکل مورد نظر هستند تا بتوان مش‌بندی مناسب را فراهم کرد. همانطور که بلوکن در [ 21]، یک شبکه محاسباتی با کیفیت بالا برای موفقیت شبیه سازی از نظر زمان محاسباتی و قابلیت اطمینان نتایج بسیار مهم است. از آنجایی که مطالعات CFD شهری اغلب بر روی یک بخش خاص از منطقه ساخته شده متمرکز می شود (به مقالات مروری [ 17 ، 18 ، 19 ] و مطالعات ذکر شده در آن مراجعه کنید)، به طوری که پیش پردازش هندسه باید تنها یک بار در یک مجتمع انجام شود. فرآیند، تجزیه و تحلیل سیستماتیک مراحل تبدیل و بهینه سازی داده ها در نشریات مربوطه توجه زیادی نداشته است. در پرینت سه بعدی از فایل های STL و ابزارهای بهینه سازی خودکار استفاده می شود [ 22]. با این حال، این ابزارهای بهینه‌سازی قادر به ترمیم تمام عیوب هندسی و حذف جزئیات هندسی نامطلوب مدل‌های ساختمان سه‌بعدی نیستند، البته موارد مهم برای استفاده در شبیه‌سازی‌های CFD [ 23 ]. برای مثال، برآمدگی‌های کوچک در تغییر ساختمان‌ها برای کاربردهای پرینت سه بعدی کار می‌کنند، اما باید با سلول‌های شبکه‌ای کوچک در شبیه‌سازی‌های میدان باد CFD [ 24 ] حل شوند که منجر به افزایش غیرضروری زمان محاسبات می‌شود. تاکنون هیچ روش کلی برای برآوردن جنبه های هندسی مورد نیاز CFD وجود ندارد. با این حال، این مطالعه به این موضوع خواهد پرداخت.

تجسم نتایج CFD معمولاً در ابزارهای پس پردازش نرم افزار CFD انجام می شود و نتایج به صورت تصاویر ثابت از میدان های اسکالر و برداری و همچنین خطوط ساده منتشر می شود. پیشینه فنی بیشتر در مورد روش CFD را می توان به عنوان مثال در [ 11 ، 12 ] یافت.

اولین تلاش برای ایجاد نتایج CFD به صورت تعاملی در پروژه دوقلوهای دیجیتال Kalasatama [ 25 ]، با استفاده از ANSYS Discovery [ 26 ]، یک ابزار مهندسی که امکان تغییرات طراحی تعاملی و شبیه سازی فیزیکی فوری را در چندین رشته از جمله تجزیه و تحلیل سیالات فراهم می کند، انجام شده است. تمرکز این ابزار این است که مهندسان را قادر سازد تا به سرعت مطالعات تغییرات طراحی را انجام دهند. در [ 25]، یک مدل CityGML پس از پیش پردازش مناسب به ANSYS Discovery وارد شده است، که اطمینان می دهد که هیچ شکاف یا اشیاء معیوب وجود ندارد و ساختمان ها به زمین (مسطح) متصل هستند. شبیه سازی انجام شده و نتایج در ANSYS Discovery ارائه شده است. این به کاربر اجازه می دهد تا به صورت تعاملی شرایط جریان ورودی را تنظیم کند و نتایج را نمایش دهد. با این حال، این ابزار اجازه صادرات نتایج شبیه‌سازی به تجسم خارجی را نمی‌دهد.

اینجاست که تمرکز مطالعه حاضر با ابزارهای دیگر متفاوت است: هدف ارائه نتایج CFD مبتنی بر وب در زمینه شهرهای هوشمند، با استفاده از یک پورتال سه بعدی داده‌های جغرافیایی نیز برای تجسم نتایج است. با توجه به دانش نویسندگان، چنین رویکرد جامعی برای ادغام شبیه سازی و تجسم باد در یک پلت فرم شهر هوشمند وجود ندارد.

علاوه بر تجسم منطقه شهری، شبیه سازی میدان باد حاصل باید در یک پلت فرم شهرهای هوشمند ادغام شود. با توجه به دانش ما، تعداد کمی از مطالعات تجسم باد را در مقیاس ساختمان‌ها در بافت یک محله شهر انجام می‌دهند، همانطور که در این مطالعه نشان داده شد. اغلب، باد در مقیاس جهانی تجسم می شود [ 27 ]، و تنها بخش هایی از جهان را نشان می دهد، به عنوان مثال، یک قاره بزرگ و خطوط مرزی یا کل جهان را نشان می دهد [ 28 ، 29]] صرفاً زبری سطح را در نظر می گیرد. علاوه بر این، تجسم‌های جهانی باد نشان می‌دهد که اندازه‌گیری‌های باد به میزان زیادی انجام می‌شود در حالی که در واقع از چند اندازه‌گیری برای درونیابی بین ایستگاه‌های اندازه‌گیری استفاده می‌شود. تعامل در این کاربردهای تجسم برای داده‌های باد، از تقریباً هیچ (مثلاً فقط اعمال یک فیلتر) تا فراوان مانند تغییر سرعت تجسم، پیش‌بینی نقشه‌ها، پوشش‌ها و حتی تجسم داده‌های دیگر به جز باد (مثلاً نقشه‌های بارش درون‌یابی یا رادار بارندگی) را شامل می‌شود. داده ها) [ 30]. از سوی دیگر، در این مطالعه، یک تمرکز اصلی بر ایجاد یک برنامه کاربردی سه بعدی تعاملی بود که قادر به تجسم میدان‌های باد شهری در مقیاس‌های نسبتاً بزرگ (از نظر نقشه‌کشی)، با مقدار متراکم نقاط و جزئیات بالا، اما بسیار مهم در درون زمینه بود. یک مدل شهر سه بعدی موجود علاوه بر این، نتایج شبیه‌سازی‌های CFD شامل انواع مختلفی از داده‌ها است: میدان‌های اسکالر، به عنوان مثال، برای سرعت و فشار، زمینه‌های بردار، به عنوان مثال، برای جهت سرعت باد و خطوط جریان. برای این داده ها باید طرح های تجسم جدیدی ایجاد شود. با این حال، تحویل داده ها و ارتباط بین سرور و سرویس گیرنده باید از رابط های برنامه نویسی کاربردی مدرن (API) و پروتکل های استاندارد جامعه باز استفاده کند، به عنوان مثال، مانند پروتکل هایی که توسط کنسرسیوم فضایی باز (OGC) توسعه و منتشر شده است.

اخیراً، طی دو پروژه آزمایشی OGC، آزمایش‌های قابلیت همکاری بین ژئوپورتال‌های سه بعدی مختلف و مشتریان سه بعدی مبتنی بر وب انجام شد. این دو خلبان اینترنت سه بعدی اشیا (IoT) Pilot [ 31 ] و OGC 3D container Pilot بودند. برای دسترسی به محتوای سه بعدی، سرویس تصویر سه بعدی [ 32] و از APIهای تجربی RESTful استفاده شد. علاوه بر این، این آزمایش‌ها شامل سلسله‌مراتب حجم محدود اجرا شده به عنوان استانداردهای جامعه OGC (یعنی کاشی‌های سه بعدی و I3S) برای پشتیبانی از جریان و تجسم تعاملی ساختمان‌های سه بعدی، درختان و داده‌های ابر نقطه‌ای بودند. توسعه APIهای پذیرفته شده به طور گسترده برای گردش کار پیشنهادی ضروری است زیرا هم بر عملکرد نمایشگر سه بعدی مبتنی بر وب و هم بر مدیریت داده در سمت سرور تأثیر دارد. در یک گردش کار میان رشته ای مانند شبیه سازی میدان باد، تعریف API ها بین مراحل گردش کار، بهینه سازی را در زمینه های مختلف تخصص به طور کلی امکان پذیر می کند. در این مورد خاص، تجسم و جریان مجموعه داده های جغرافیایی سه بعدی را ساده می کند و شبیه سازی در یک محیط مبتنی بر وب نتیجه می دهد.

3. فرصت های پژوهشی، مشارکت و تازگی

ادغام کامل شبیه‌سازی باد در رویکرد شهر هوشمند گامی متعاقب برای گسترش حوزه کاربرد شهرهای هوشمند خواهد بود، اما این کار به طور کامل حل نشده است. در این مقاله، دو مرحله مهم شناسایی می‌شوند: ❶ پیش پردازش هندسه و ❷ ارائه داده‌های مبتنی بر وب و تعاملی. داده های جغرافیایی در حال حاضر به عنوان پایه هندسی در برنامه های شبیه سازی مختلف استفاده می شود. در این مطالعه، یک گردش کار برای ساده‌سازی یا بهینه‌سازی هندسه ساختمان با توجه به الزامات یک برنامه خاص (CFD) یکپارچه شده است. گردش کار به یک شبیه‌سازی CFD خاص محدود نمی‌شود و می‌تواند برای مشکلات مختلف CFD مانند راحتی عابر پیاده، تهویه طبیعی، ریزاقلیم شهری یا بررسی توربین‌های بادی کوچک که نیازهای متفاوتی برای هندسه دارند، اعمال شود.10 ].

پیشرفت‌های کنونی در تجسم مبتنی بر وب تعاملی داده‌های جغرافیایی-مکانی سه‌بعدی بر یک محیط سه‌بعدی، از جمله زمین، ساختمان‌ها، درختان، و ابرهای نقطه‌ای متمرکز است. داده های وابسته به زمان مانند سری های زمانی از خواندن حسگر را می توان به عنوان نمودار و نمودار گنجاند. با این حال، شبیه‌سازی CFD معمولاً به میدان‌های اسکالر و بردار متراکم وابسته به زمان منجر می‌شود. بنابراین، ساختار این مجموعه داده ها با مجموعه داده های جغرافیایی-مکانی و خوانش حسگرها متفاوت است. برای شناسایی و مقایسه رویکردهای مختلف برای ادغام چنین مجموعه داده‌هایی در یک تجسم سه بعدی مبتنی بر وب، باید تحقیقاتی انجام شود. یک رویکرد این است که فیلدهای اسکالر و برداری را به عنوان ابرهای نقطه ای در نظر بگیریم و از روش های ایجاد شده برای تجسم ابر نقطه ای مبتنی بر وب استفاده کنیم. این ممکن است برای اسکالرها به خوبی کار کند زیرا یک مقدار اسکالر را می توان به یک مقدار رنگ نگاشت کرد که منجر به یک ابر نقطه رنگی می شود. با این حال، میدان های باد شامل بردار جهت باد و سرعت باد است که معمولاً با نمادی مانند فلش نمایش داده می شود. رویکرد دیگری ممکن است تک تک سلول های شبیه سازی CFD را به عنوان یک حسگر در نظر بگیرد و نتایج شبیه سازی را از طریق SensorThings API ارائه کند و از روش های تجسم موجود برای داده های سری زمانی استفاده کند. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد. با این حال، میدان های باد شامل بردار جهت باد و سرعت باد است که معمولاً با نمادی مانند فلش نمایش داده می شود. رویکرد دیگری ممکن است تک تک سلول های شبیه سازی CFD را به عنوان یک حسگر در نظر بگیرد و نتایج شبیه سازی را از طریق SensorThings API ارائه کند و از روش های تجسم موجود برای داده های سری زمانی استفاده کند. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد. با این حال، میدان های باد شامل بردار جهت باد و سرعت باد است که معمولاً با نمادی مانند فلش نمایش داده می شود. رویکرد دیگری ممکن است تک تک سلول های شبیه سازی CFD را به عنوان یک حسگر در نظر بگیرد و نتایج شبیه سازی را از طریق SensorThings API ارائه کند و از روش های تجسم موجود برای داده های سری زمانی استفاده کند. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد. رویکرد دیگری ممکن است تک تک سلول های شبیه سازی CFD را به عنوان یک حسگر در نظر بگیرد و نتایج شبیه سازی را از طریق SensorThings API ارائه کند و از روش های تجسم موجود برای داده های سری زمانی استفاده کند. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد. رویکرد دیگری ممکن است تک تک سلول های شبیه سازی CFD را به عنوان یک حسگر در نظر بگیرد و نتایج شبیه سازی را از طریق SensorThings API ارائه کند و از روش های تجسم موجود برای داده های سری زمانی استفاده کند. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد. استفاده از روش‌های جریان و تجسم موجود ممکن است با پیشرفت‌های جدیدی مانند پشتیبانی از خطوط ساده در کلاینت مبتنی بر وب سه بعدی گسترش یابد. تکنیک های بصری سازی وب میدان های اسکالر و برداری وابسته به زمان از شبیه سازی CFD به میدان های باد محدود نمی شود. حوزه‌های دیگر، مانند مدیریت بلایا که با سیل و بارندگی شدید سروکار دارد، با مجموعه داده‌های مشابه سروکار دارد.33 ، 34 ]. در میان تمام آن فرصت‌های پژوهشی بالقوه، این مقاله تکنیک‌های تجسم میدان اسکالر و برداری را از ابرهای نقطه‌ای مبتنی بر وب که با استفاده از نمادها یا چند خطوط سه‌بعدی به‌جای نقاط گسترش یافته است، و رویکردهای جدید برای تجسم خطوط ساده در یک محیط مبتنی بر وب بررسی می‌کند. .

4. مروری بر گردش کار

در این مطالعه، یک گردش کار کلی برای کاوش تعاملی میدان‌های باد شهری شبیه‌سازی‌شده در یک پلت‌فرم شهر هوشمند پیشنهاد شده‌است. این گردش کار در شکل 1 ارائه شده است و از سه بخش اصلی خدمات داده های جغرافیایی، خدمات شبیه سازی CFD و خدمات تجسمی تشکیل شده است.

خدمات داده های جغرافیایی دسترسی به یک مدل شهر سه بعدی چند منظوره شامل ساختمان های سه بعدی (CityGML)، یک مدل زمین دیجیتال (DTM) به عنوان شبکه نامنظم مثلثی (TIN)، یک مدل چشم انداز دیجیتال سه بعدی (3D-DLM) شامل اشیاء پوشش گیاهی را امکان پذیر می کند. و همچنین یک مدل منظره دیجیتال دو بعدی (DLM) و یک ابر نقطه سه بعدی طبقه بندی شده. مدل شهر سه بعدی از هندسه ساختمان سه بعدی و سایر اشیاء سه بعدی تشکیل شده است در حالی که یک 3D-DLM پوشش کاملی از محیط از جمله جاده ها، کاربری زمین و غیره است. هر دو مدل شهر سه بعدی و همچنین 3D-DLM را می توان در CityGML نشان داد. علاوه بر مدلی از منطقه ساخته شده، خدمات داده های جغرافیایی ممکن است حاوی داده های مورد خاص در مورد طراحی شهری آینده برای پشتیبانی از چه می شودشبیه سازی مناطق شهری نیز خدمات داده‌های جغرافیایی شامل یک فرآیند مدیریت کیفیت در پشتیبان می‌شود تا اطمینان حاصل شود که فقط مدل‌های شهر سه بعدی و سه بعدی-DLM معتبر ارائه می‌شوند.

شبیه‌سازی CFD شامل آماده‌سازی ویژه برنامه داده‌های ورودی و خود شبیه‌سازی است. از آنجایی که ابزارهای CFD معمولاً با مختصات جهانی کار نمی کنند، همه داده ها به یک سیستم مختصات محلی ترجمه می شوند. ساختمان‌های سه بعدی از یک CityGML معتبر گرفته شده، برای شبیه‌سازی CFD با استفاده از الگوریتم‌های بهینه‌سازی هندسی که به‌ویژه برای این منظور توسعه داده شده‌اند، تبدیل و بهینه‌سازی شده‌اند [ 35 ، 36 ]. زمین از یک DTM گرفته شده است. نمایش اجسام پوشش گیاهی در این گردش کار با استفاده از دو رویکرد مختلف مورد بررسی قرار خواهد گرفت. اولین رویکرد، پوشش گیاهی را به عنوان اجسام هندسی جامد مدل‌سازی می‌کند که از DLM سه بعدی گرفته شده‌اند. آنها قبل از تنظیم شرایط مرزی CFD به مدل ساختمان اضافه می شوند (خط چین در شکل 1). رویکرد دوم پوشش گیاهی را به عنوان منبع تکانه اضافی که مستقیماً در حل‌کننده معادلات ناویر-استوکس تعریف می‌شود، مدل‌سازی می‌کند. موقعیت مکانی منابع از طبقه بندی کاربری اراضی و ارتفاع درخت برگرفته از ابرهای نقطه ای گرفته شده است (خط نقطه چین در شکل 1 ). با ترکیب تمام ورودی های هندسی مربوطه، حوزه محاسباتی و همچنین شرایط مرزی تعریف می شوند. در حوزه، مش محاسباتی تولید می شود و معادلات بر روی این مش حل می شوند.

خدمات تجسم مدل های ساختمان سه بعدی، زمین و نتایج شبیه سازی را در یک مرورگر وب در پورتال داده های جغرافیایی سه بعدی یکپارچه می کند. برای تجسم، زمین از سزیم گنجانده شده است. در این تحقیق از کاشی های سه بعدی به عنوان فرمت تحویل داده استفاده شده است. پارامترهای باد شبیه سازی شده باید از خروجی استاندارد CFD (فایل های CSV، مقادیر جدا شده با کاما) به کاشی های سه بعدی تبدیل شوند. فقط نقاط نزدیک به ساختمان ها انتخاب می شوند (فیلتر) و به یک نقشه رنگی مناسب نگاشت می شوند تا جزئیات پارامتر باد به اندازه کافی ارائه شود (نقشه برداری). این نقاط باید از سیستم مختصات محلی در طول شبیه سازی به سیستم مختصات جهانی جهانی (مرجع جغرافیایی) ترجمه شوند. سه نوع داده، خطوط سه بعدی (به عنوان مثال، جریان باد از یک نقطه ورودی خاص شروع می شود)، ابر نقطه سه بعدی (به عنوان مثال، فشار و سرعت باد در موقعیت های از پیش تعریف شده) و شبکه های شش ضلعی دوبعدی (به عنوان مثال، مقدار فشار متوسط چندین نقطه پیش بینی شده بر روی شش ضلعی ها در کف و سطح ساختمان) به پورتال داده های جغرافیایی سه بعدی ارائه شده است. هر مشتری می‌تواند با استفاده از یک مرورگر وب مشترک در دستگاه نهایی خود به این پورتال داده‌های جغرافیایی سه بعدی متصل شود. این به کاربر اجازه می دهد تا به طور تعاملی نتایج شبیه سازی را بدون نصب نرم افزار اضافی به غیر از مرورگر وب بررسی کند. اشاره می شود که تجسم از مدل اصلی ساختمان سه بعدی استفاده می کند. این به کاربر اجازه می دهد تا به طور تعاملی نتایج شبیه سازی را بدون نصب نرم افزار اضافی به غیر از مرورگر وب بررسی کند. اشاره می شود که تجسم از مدل اصلی ساختمان سه بعدی استفاده می کند. این به کاربر اجازه می دهد تا به طور تعاملی نتایج شبیه سازی را بدون نصب نرم افزار اضافی به غیر از مرورگر وب بررسی کند. اشاره می شود که تجسم از مدل اصلی ساختمان سه بعدی استفاده می کند.

با معماری ارائه شده از گردش کار کلی و نرم افزارهای مورد استفاده آن، کنترل کل گردش کار، به ویژه مشخص کردن شبیه سازی های CFD و خودکارسازی تمام مراحل بهینه سازی هندسه مبتنی بر وب و مستقیماً از پورتال 3D Geo-Data، امکان پذیر نیست. از آنجا که هنوز مراحل دستی لازم وجود دارد، رویکرد ارائه شده در این مطالعه “نیمه خودکار” نامیده می شود.

5. جزئیات گردش کار

از آنجایی که ایده و نمای کلی گردش کار کلی مبنای درک را تشکیل می‌دهد، چالش‌ها و راه‌حل‌های سه بخش اصلی گردش کار در این بخش به تفصیل بررسی می‌شوند. هر بخش اصلی از گردش کار دارای متغیرهای ورودی و خروجی تعریف شده خود است. در این بین چالش‌های گردش کار مفصل وجود دارد که در بخش خدمات داده‌های جغرافیایی بخش 5.1 ، شبیه‌سازی CFD بخش 5.2 و خدمات تجسم بخش 5.3 مورد بررسی قرار گرفته است .

به عنوان منطقه مورد مطالعه، بخشی از ناحیه شهر استوکاخ، معروف به “Neckartor” در شهر اشتوتگارت انتخاب شده است، به شکل 2 مراجعه کنید .

منطقه ای که با جزئیات مدل شده است شامل یک جاده شلوغ با یک پارک گسترده در یک طرف و 75 ساختمان انتخاب شده در طرف دیگر است، به شکل 2 (سمت چپ) مراجعه کنید. از آنجایی که درختان و پوشش گیاهی، که در عکس هوایی در شکل 2 (راست) دیده می شود، می توانند تأثیر قابل توجهی بر جریان باد داشته باشند، به ویژه از آنجایی که آنها در سمت بالا به سمت دامنه مورد بررسی، توپوگرافی زمین و پوشش گیاهی در مطالعه ادغام شده است.

5.1. خدمات داده های جغرافیایی

کل مدل ساختمان سه بعدی (CityGML) ارائه شده توسط Stadtmessungsamt Stuttgart از حدود 190000 ساختمان در CityGML با LoD 1 (سطح جزئیات) تشکیل شده است. یک مدل LoD 2 نیز موجود است، اما در این مطالعه استفاده نشده است. علاوه بر این، یک مدل چشم انداز دیجیتال از a

2000 m \times 2000 m

منطقه شامل منطقه مورد استفاده و داده های ابر نقطه توسط Landesamt für Geoinformation und Landentwicklung (LGL) ارائه شده است. ابر نقطه شامل اولین و آخرین پالس داده با وضوح تصویر است

8 pts / m^{2}

. آن را به نقطه روی زمین، پل، ساختمان، زیر زمین و پوشش گیاهی (از جمله “سایر نقاط غیر زمینی”) طبقه بندی می کنند. کاداستر درختی توسط شهر اشتوتگارت ارائه شده است.

5.1.1. پیاده سازی

مدل چشم انداز دیجیتال (DLM) شامل ویژگی های خطی مانند خیابان ها و رودخانه ها و همچنین ویژگی های چند ضلعی مانند مناطق مسکونی و صنعتی، جنگل، و غیره است . و بر اساس داده های ابر نقطه ای با استفاده از نرم افزار منبع باز 3dfier [ 39 ] به اشیاء سه بعدی اکسترود شد. سپس DLM نهایی در CityGML [ 40 ] ذخیره شد. در این فرآیند، ساختمان‌های سه بعدی نیز مدل‌سازی می‌شوند، اما برای گردش کار پیشنهادی، آنها با مدل‌های ساختمانی LoD 1 و LoD 2 (CityGML) جایگزین شده‌اند. 3D-DLM حاصل برای شهر اشتوتگارت-اشتوکاخ با ساختمان های سه بعدی و پوشش گیاهی در شکل 2 نشان داده شده است.(درست).

هندسه اجسام پوشش گیاهی که با 3dfier اکسترود شده اند از مثلث های کوچک زیادی با زوایای کوچک تشکیل شده است [ 41 ]. معلوم شد که این مدل از پوشش گیاهی با الزامات پیش پردازش شبیه سازی CFD مطابقت ندارد. بنابراین پوشش گیاهی توسط یک میز کار FME با هدف ساخت با استفاده از DLM و برخی داده‌های اضافی از کاداستر درختان برای گروه‌بندی درختان برای کاشت پوشش‌هایی با ارتفاع متوسط ذخیره‌شده به‌عنوان هندسه جامد LoD1 در CityGML مدل‌سازی می‌شود (برای جزئیات کل فرآیند مدل‌سازی پوشش گیاهی رجوع کنید به [ 41 ]).

تحقیقات زیادی در مورد مدیریت کیفیت مدل های سه بعدی شهر انجام شده است تا اطمینان حاصل شود که هندسه ساختمان سازگار است و محیط را در محدوده تحمل داده شده نشان می دهد. این تحقیق به ابزارهایی مانند CityDoctor [ 42 ] و val3dity [ 43 ] برای اعتبارسنجی (یعنی تجزیه و تحلیل مطابقت با استاندارد GML) مدل های سه بعدی شهر منجر شد. شفای خودکار مدل‌های سه بعدی شهر، یعنی اصلاح تفاوت‌ها طبق استاندارد، یک موضوع تحقیقاتی در حال انجام است.

مدل ساختمان CityGML و همچنین 3D-DLM با استفاده از نرم افزار CityDoctor تأیید شد. الزامات مدل CityGML شامل یک هندسه جامد معتبر برای هر ساختمان سه بعدی و پوشش گیاهی است. کسری‌های هندسی معمولی عبارتند از نقاط تکراری، چندضلعی‌های غیرمسطح یا همپوشانی، و شکاف‌های بین وجه‌های همسایه. اگر فاصله آنها کمتر از 0.1 میلی متر باشد، دو نقطه به عنوان یک نقطه شناخته می شوند. برخلاف طرح اعتبارسنجی توصیه شده در [ 44 ]، در کنار یک شناسه منحصر به فرد هر شی، هیچ ویژگی اجباری مشخص نشده است. فرآیند مدیریت کیفیت یک فرآیند تکراری با اعتبار مدل CityGML در برابر الزامات و یک فرآیند درمان نیمه خودکار برای حذف تخلفات در برابر الزامات مشخص شده بود.

خدمات داده های جغرافیایی شامل سیستم مدیریت پایگاه داده جغرافیایی با استفاده از 3D-CityDB با پسوند PostGIS [ 45 ] (به عنوان مثال، CityGML، پوشش گیاهی و کاربری زمین)، یک داده مبتنی بر فایل است که خود داده های خاص را به اشتراک می گذارد، همانطور که در نشان داده شده است. شکل 1 ، و سرویس ویژگی های وب (WFS) برای دسترسی به داده ها در یک مرورگر وب. مجموعه داده های منطقه مورد نظر به عنوان یک ناحیه چند ضلعی مشخص می شود و می توان از این پایگاه داده با استفاده از WFS به آن دسترسی داشت. بنابراین، خدمات داده‌های جغرافیایی، داده‌های ورودی معتبری را برای شبیه‌سازی CFD و سرویس‌های تجسم فراهم می‌کند.

پورتال 3D Geo-data برای ذخیره تمام مجموعه داده های سه بعدی آماده شده برای استفاده به عنوان رابطی برای مشتریان برای دسترسی یا پرس و جو از مجموعه داده های موجود استفاده شد. در ابتدا، این پورتال داده های جغرافیایی سه بعدی با استفاده از وب سرور استاتیک برای میزبانی همه مجموعه داده ها پیاده سازی شد. برای جلوگیری از اینکه کاربران مجبور به دانستن نقاط پایانی و قالب صحیح روی سرور برای دسترسی به داده ها شوند، پورتال 3D Geo-data با اجرای مشخصات تحویل داده از OGC تقویت شد: 3D Container API [46 ] و 3DPS [ 32]. هدف 3D Container API این است که کاربران را قادر می سازد تا به مجموعه داده های سه بعدی جغرافیایی برای تحویل داده های جریانی از طریق منابع کانتینر حجم جغرافیایی تو در تو، دسترسی داشته باشند. 3DPS یک استاندارد مشخصات پیاده سازی تحویل محتوای سه بعدی جغرافیایی از OGC است که نحوه توصیف، انتخاب و تحویل محتوای سه بعدی جغرافیایی را مشخص می کند. هم API کانتینر سه بعدی و هم 3DPS در Node.js با چارچوب Express.js پیاده سازی شدند. بعداً، این رویکردها مقایسه و ارزیابی می شوند (به بخش 6 مراجعه کنید ) و یک مشخصات مناسب برای سناریوهای مختلف توصیه می شود (به بخش 7 مراجعه کنید ).

5.2. شبیه سازی CFD

در CFD معادلات ناویر-استوکس به صورت عددی بر روی یک مش فضایی حل می‌شوند. محبوب‌ترین روش‌های CFD برای شبیه‌سازی باد، شبیه‌سازی گردابی بزرگ (LES) و شبیه‌سازی ناویر استوکس با میانگین رینولدز (RANS) است، به [ 47 ] مراجعه کنید، جایی که این دو رویکرد با جزئیات مقایسه می‌شوند: اگرچه LES قادر به ارائه جزئیات بیشتر و بیشتر است. نتایج دقیق نسبت به RANS، دومی خود را تثبیت کرده است (نه به دلیل زمان محاسبات کمتر) و انتخاب مناسبی برای بسیاری از کاربردها مانند راحتی باد عابران پیاده، پراکندگی آلاینده نزدیک به فایل و تهویه طبیعی است و بنابراین در این مطالعه استفاده می شود. شبیه سازی ها با ANSYS Fluent به عنوان شبیه سازی RANS با k- انجام می شود.

ω

مدل آشفتگی SST [ 48 ].

5.2.1. بیان مسأله

برای شبیه سازی جریان باد، حوزه محاسباتی یک جعبه پر از هوا با طول لبه چندین کیلومتر و ارتفاع محدود شده توسط ساختمان ها و زمین است. حوزه مورد علاقه تنها بخش کوچکی در این کادر است، زیرا فواصل زیاد تا مرزها برای جلوگیری از تأثیرات غیر فیزیکی بر نتایج ضروری است. حجم هوا توسط سلول های سه بعدی به یک مش تقسیم می شود. سلول ها باید اندازه مناسبی داشته باشند تا اثرات فیزیکی بسته به رویکرد CFD مورد استفاده برطرف شود. آنها ممکن است نه خیلی کوچک و نه خیلی بزرگ باشند تا از اثرات غیر فیزیکی جلوگیری کنند. برای حل‌کننده‌های عددی مورد استفاده، زمان محاسباتی به اندازه شبکه بستگی دارد، و بنابراین اندازه شبکه نیز نباید خیلی کوچک باشد تا از زمان محاسباتی زیاد جلوگیری شود. در نزدیکی زمین و سطوح ساختمان، به اصطلاح یک لایه مرزی،

علاوه بر تبدیل CityGML به فرمت داده‌های CAD، سه جنبه مهم وجود دارد که باید در نظر گرفته شود [ 35 ] که عمدتاً برای هندسه ساختمان‌ها اعمال می‌شود:

1.: برای مش بندی، جعبه پر از هوا باید یک جامد “بسته” باشد و ممکن است حاوی عیوب مانند شکاف در مدل، صورت های از دست رفته یا روی هم افتاده یا هندسه های بسته نشده مانند وجه های آزاد، لبه ها و رئوس نباشد. برخی از ایرادات نیز توسط نرم افزار CAD قابل تعمیر است.
2.: هر لبه هندسی در مدل شهر سه بعدی به عنوان پایه ای برای تولید سلول در مشر سه بعدی برای شبیه سازی CFD استفاده می شود. برای حل اثرات فیزیکی اطراف لبه ساختمان، اندازه سلول باید حتی کوچکتر از کوچکترین اندازه لبه در مدل شهر سه بعدی باشد. علاوه بر این، کوچکترین لبه ای که در مش سه بعدی ظاهر می شود کسری از کوچکترین طول لبه در مدل شهر سه بعدی است.
3.: ایجاد یک لایه مرزی معتبر می تواند برای مثال، شکاف های کوچک بین ساختمان ها کاملاً پیچیده یا غیرقابل حل باشد.

Healing of CityGML، همانطور که در بخش 5.1.1 تعریف شده است، ممکن است به دستیابی به یک مدل CAD پس از تبدیل داده کمک کند که تا حد زیادی جنبه اول را برآورده می کند، اما همانطور که در [ 23 ] اشاره شد تبدیل CityGML به یک فایل STL و سپس اعمال تعمیر CAD ابزار در حال حاضر رضایت بخش نیست و همچنان به کار دستی (زمانگیر) نیاز دارد. در این مقاله رویکرد Piepereit at al. [ 35 ] برای اصلاح هندسه برای شبیه سازی CFD استفاده می شود.

در مورد پوشش گیاهی از دو رویکرد استفاده می شود. روش اول از مواد جامد برای پوشش گیاهی استفاده می کند. در 3D-DLM پوشش گیاهی به عنوان هندسه جامد LoD1 در CityGML مدل‌سازی می‌شود و از این رو همان الزامات برای ساختمان‌ها اعمال می‌شود. همراه با زمین، این اشیاء پوشش گیاهی و ساختمان‌های بهینه‌شده ورودی هندسی شبیه‌سازی CFD را در رویکرد اول تشکیل می‌دهند (خط چین در شکل 1 ). چنین اجسام جامد پوشش گیاهی ممکن است اثر محافظ باد مناطق پوشش گیاهی را مدل کنند، اما این اثر احتمالاً خیلی قوی خواهد بود. برای مدلسازی بهتر ماهیت نیمه تراوا پوشش گیاهی، رویکرد دوم در نظر گرفته شده است. در این رویکرد دوم، پوشش گیاهی به عنوان یک اصطلاح منبع مصنوعی در معادلات ناویر-استوکس مدل‌سازی می‌شود که در [ 49] پیشنهاد شده است.].

5.2.2. روش شناسی

همانطور که در بخش قبل توضیح داده شد، بهینه سازی ساختمان و مدل سازی پوشش گیاهی دو مرحله حیاتی در هنگام تنظیم مدل هستند. شبیه سازی CFD تنها بر روی تعدادی از ساختمان ها به دلیل زمان محاسبات محدود انجام می شود.

بهینه سازی ساختمان

فرآیند بهینه‌سازی با استفاده از یک مدل CityGML معتبر از ساختمان‌های مورد بررسی آغاز می‌شود. با استفاده از OpenCASCADE [ 50 ]، مدل را می توان مستقیماً به STEP تبدیل کرد. شکل 3 ناحیه انتخاب شده (a) را به عنوان CityGML و (b) تبدیل شده به فرمت داده STEP را نشان می دهد. اول، همه ساختمان‌ها را نمی‌توان به گونه‌ای تبدیل کرد که بتوان آنها را با پیش پردازش ابزار CFD (ابزار CAD ANSYS SpaceClaim در این مطالعه) بدون کار دستی پردازش کرد. دوم، و مهم‌تر از آن با توجه به هدف این کار، مدل‌های ساختمان حاوی جزئیات کوچک متعددی هستند که تولید مش را در طول پیش پردازش برای شبیه‌سازی‌های CFD دشوار یا حتی غیرممکن می‌کنند.

بنابراین، مدل ساختمان به فرمت داده CAD BRep تبدیل می شود. پس از تبدیل، لبه ها و وجه ها با هم ادغام می شوند و از یک الگوریتم صفحه جابجایی خاص استفاده می شود، همانطور که در [ 35 ، 36 توضیح داده شد.]، برای ساده سازی خودکار مدل ها. در طی این فرآیند سطوح به موازات جهت عادی خود به داخل یا خارج از مدل های ساختمان منتقل می شوند. بدین ترتیب لبه های کوتاه و سطوح باریک به طور مکرر حذف می شوند، به طوری که عناصر کوچک (همانطور که در آفست، برآمدگی یا آفست گوشه رخ می دهند) حذف می شوند، که به طور قابل توجهی پیچیدگی مدل ها را کاهش می دهد. برای رسیدن به یک مصالحه معقول بین تلاش و دقت در این مطالعه، حداقل طول لبه 2 متر تعیین شد. این هدف را نمی توان به طور کامل با استفاده از فرآیندهای خودکار توصیف شده به تنهایی به دست آورد. با این حال، لبه های بسیار کوچک حذف می شوند و طول کوتاه ترین لبه در حال حاضر افزایش یافته است در حالی که تعداد لبه های زیر 2 متر به طور قابل توجهی کاهش می یابد، جدول 1 را ببینید.. این منجر به ساده سازی قابل توجه جزئیات هندسی می شود، شکل 4 a را ببینید.

با عملیات بولی اضافی، ساختمان ها ترکیب می شوند. این نیز مدل را ساده می کند و تعداد چهره ها و رئوس را کاهش می دهد، شکل 4 ب و جدول 1 را ببینید . پس از پیش پردازش خودکار، مدل های ساختمان به STEP تبدیل می شوند و به صورت دستی در SpaceClaim پردازش می شوند. برای تولید مش، ساختمان‌های بیشتری با هم ترکیب می‌شوند، شکاف‌های بین ساختمان‌ها حذف می‌شوند و حیاط‌ها تا حدی بسته می‌شوند، شکل 4 c را ببینید تا لایه مرزی در کل حوزه شبیه‌سازی ایجاد شود. در کل فرآیند بهینه‌سازی، شکل هندسه مجاز به تغییر است، اما حجم ساختمان‌ها تا حد امکان نزدیک به مقدار اولیه است.

مدل زمین

زمین را می توان از عناصر CityGML TIN موجود یا از هر داده ارتفاعی دیگر منطقه مورد نظر گرفت. برای مورد استفاده ارائه شده، یک ابر نقطه نازک شد و دوباره با تحمل سطح 2 متر مثلث شد. فایل STL حاصل از زمین در SpaceClaim وارد شده و به عنوان سطح زمین حجم هوا استفاده می شود.

مدل های پوشش گیاهی

اجرای اولین مدل پوشش گیاهی ذکر شده در بخش 4 ساده است، زیرا فقط مواد جامد اضافی وجود دارد که باید در فرآیند پیش‌گرفتن در نظر گرفته شوند. مدل دوم پوشش گیاهی گسترده تر به ارتفاع پوشش گیاهی و همچنین موقعیت آن مربوط می شود. این بر اساس رویکرد شاو و شومان [ 49 ] است و با استفاده از اندازه‌گیری‌های LiDAR برای یک سایت متفاوت در [ 15 ] اعتبارسنجی شده است . این به طور مستقیم در ANSYS Fluent پیاده سازی شده است.

مقاومت جریان عبوری از پوشش گیاهی با نیروی حجمی توصیف می شود که به عنوان یک عبارت منبع به معادلات RANS اضافه می شود. اصطلاحات اضافی برای معادلات تکانه x -، y – و z با تعریف می شوند

اف من = ρ ج د a (z) | u | تو من ،

(1)

جایی که $ρ$ چگالی و $c_{d} = 0.15$ ضریب درگ متغیر $| u |$ قدر سرعت و $u_{i}, i = 1, \dots, 3$ مولفه سرعت در جهت i . پارامتر بسته به ارتفاع $a (z)$ نشان دهنده مقاومت ناشی از تراکم برگ پوشش گیاهی است. مشخصات تراکم سطح برگ $a (z)$ از ادبیات [ 49 ] شناخته شده است. شاخص سطح برگ (LAI) تراکم درخت را توصیف می کند و ادغام آن است $a (z)$ بیش از ارتفاع h . مشخصات تراکم سطح برگ توسط Shaw und Schumann [ 49 ] توضیح داده شده است. بر اساس کار Bequet و همکاران، برای زمستان LAI 0.5 و برای تابستان LAI 3.5 گرفته می شود. [ 51 ]. با پروفایل های تراکم برگ و مقادیر LAI مختلف، هر نوع پوشش گیاهی را می توان در شبیه سازی مدل کرد.

مختصات ناحیه مورد بررسی از OSM صادر شده و به مدل منتقل می شود. ارتفاع محلی پوشش گیاهی از ابر نقطه سه بعدی طبقه بندی شده ارائه شده توسط خدمات داده های جغرافیایی به دست می آید و محاسبه می شود. ابر نقطه ای به علائم زمینی و گیاهی تقسیم می شود و شامل

10 m \times 10 m

کاشی برای منطقه پوشش گیاهی ارتفاع پوشش گیاهی با تفاوت پوشش گیاهی و علائم زمین محاسبه و در هر کاشی تعیین می شود. این ارتفاعات پوشش گیاهی در شکل 5 نشان داده شده است .

مدل کامل، شرایط مرزی

حوزه محاسباتی باید نسبتاً بزرگ باشد تا اجازه دهد جریان هوا قبل از برخورد با ساختمان های تحت بررسی توسعه یابد و از تأثیرات غیر فیزیکی از شرایط مرزی جلوگیری شود. طبق دستورالعمل‌های بهترین عمل [ 12 ]، اندازه دامنه محاسباتی باید بسته به ارتفاع انتخاب شود.

H_{\max}

بالاترین ساختمان در منطقه ساخته شده در نظر گرفته شده است. با

H_{\max} = 31.3 m

، اندازه دامنه از

2270 m \times 2000 m \times 1200 m

برای این مطالعه انتخاب شده است. این حتی بزرگتر از آن چیزی است که در [ 12 ] برای بازتولید معنی دار دره توصیه شده است. دامنه مورد نظر در وسط حوزه محاسباتی قرار گرفته و با جزئیات مدل شده است، به شکل 5 مراجعه کنید .

منطقه ساخته شده در دره ای با اختلاف ارتفاع 150 متر واقع شده است. بنابراین، توپوگرافی در شبیه سازی CFD در نظر گرفته می شود. در بالادست منطقه ساخته شده منطقه سرسبزی با درختان مرتفع واقع شده است. منطقه سبز در مرکز منطقه مورد بررسی با رویکردهای مختلفی که در بالا توضیح داده شده است مدل‌سازی شده است. ساختمان‌ها و پوشش گیاهی خارج از محل با مقدار زبری سطح مدل‌سازی می‌شوند

0.75

جهت ورودی 210 است $^{\circ}$ روی 360 $^{\circ}$ گل رز باد که جهت اصلی باد محلی است. برای شرایط مرزی جریان ورودی یک قانون بالقوه انتخاب شده است

u (z) = (z z مرجع) α تو مرجع

(2)

با سرعت مرجع $u_{ref}$ = 2.5 متر بر ثانیه در ارتفاع $z_{ref} = 10 m$ . توان این است $α = 0.28$ با توجه به مناطق شهری با ساختمان های مرتفع و نامنظم. زمین و ساختمان ها به عنوان یک دیوار جامد با سرعت صفر در دیوارها مدل می شوند، برای خروجی یک شرایط مرزی فشار خروجی انتخاب شده است. سطوح دیگر با شرایط مرزی گرادیان صفر مدل‌سازی می‌شوند. مدل باید برای هر جهت باد چرخانده شود، به طوری که صفحه ورودی عمود بر جهت ورودی باشد. در شکل 5 جریان ورودی از سمت چپ است.

اندازه سلول های شبکه از سلول های کوچک در مجاورت ساختمان تا سلول های بزرگتر در مناطق آزاد نزدیک به مرزها متفاوت است. در اینجا، مش سه بعدی از حدود 1.5 میلیون سلول چهار وجهی تشکیل شده است که طول لبه آنها از 0.7 متر در لایه های مرزی بیش از 6 متر در منطقه پوشش گیاهی تا 40 متر در مناطق آزاد است.

شبیه‌سازی‌های RANS بر روی 16 CPU در bwUniCluster (Intel Xeon Gold 6230) انجام شد. زمان محاسبه برای مورد بدون پوشش گیاهی و با مدل نیروی حجم اضافی برای پوشش گیاهی 48 ساعت بود. با مدل پوشش گیاهی جامد (به بخش 4 مراجعه کنید) 53 ساعت طول می کشد زیرا سلول های بیشتری در مش وجود دارد تا سطح این جامدات اضافی با لایه مرزی حل شود.

5.2.3. نتایج CFD

شبیه سازی با مدل های مختلف پوشش گیاهی انجام شده است که از نظر دقت و عمق مدل متفاوت هستند.

چهار مورد شبیه سازی شده است: بدون هیچ گونه پوشش گیاهی، با پوشش گیاهی به عنوان یک جسم جامد و با پوشش گیاهی مدل سازی شده به عنوان نیروی حجمی با شاخ و برگ های تابستانی و زمستانی.

مورد بدون در نظر گرفتن مناطق پوشش گیاهی، به شکل 6 (سمت چپ)، به عنوان مرجع استفاده شد. در شکل ها بزرگی سرعت باد شبیه سازی شده نشان داده شده است. ارتفاع ارزیابی نزدیک به ارتفاع ساختمان است، بنابراین مناطق خاکستری در کنار صفحه ارزیابی به دلیل توپوگرافی دره شکل است. در منطقه ساخته شده، جریان به طور قابل توجهی در مقایسه با سرعت جریان کاهش می یابد. لازم به ذکر است که ارزیابی دور از منطقه مدل‌سازی شده دقیق کمتر خواهد بود و ممکن است میدان جریان واقعی را نشان ندهد.

شکل 6 (سمت راست) نتایج شبیه سازی را با پوشش گیاهی مدل سازی شده به صورت اجسام جامد نشان می دهد. نتایج به وضوح تغییرات موضعی میدان سرعت را در مجاورت ساختمان ها، به ویژه مناطق کاهش سرعت، که پوشش گیاهی در مقابل منطقه ساخته شده است، نشان می دهد. در مقایسه با شبیه سازی بدون پوشش گیاهی، سرعت باد در مرز سمت چپ ساختمان ها بسیار کمتر است.

شکل 7 نتایج را نشان می دهد که پوشش گیاهی به عنوان نیروی حجمی در تابستان (سمت چپ) و در زمستان (راست) مدل شده است. در مقایسه با پوشش گیاهی اول با استفاده از اجسام جامد، در این مدل دوم منطقه پوشش گیاهی مشبک شده است. بنابراین، جریان درون درختان شبیه سازی شده است و پوشش گیاهی به صراحت در شکل 7 قابل مشاهده نیست.. تأثیر درختان خوشه ای محلی را می توان در میدان سرعت مشاهده کرد. جریان در منطقه ساخته شده در مقایسه با شبیه سازی پوشش گیاهی بدن جامد به طور قابل توجهی کمتر است. مقایسه بین تابستان و زمستان سرعت قابل توجهی بالاتر را در مناطق پوشش گیاهی در طول زمستان نشان می دهد. شاخ و برگ کمتر درختان منجر به مقاومت کمتر در مدل پوشش گیاهی و در نتیجه افزایش سرعت باد می شود. در منطقه ساخته شده تغییر سرعت با فاصله بیشتر از پوشش گیاهی کاهش می یابد و هندسه ساختمان شروع به تسلط بر جریان می کند.

5.3. خدمات تجسم

5.3.1. بیان مسأله

تجسم نتایج CFD در ابزارهای پس پردازش بسته های نرم افزاری CFD یک روش رایج برای تفسیر و درک سریع نتایج یا حداقل به دست آوردن شهودی در مورد اعتبار شبیه سازی است. ضروری است که نتایج شبیه سازی CFD در سطح قابل فهمی از جزئیات فشرده شود تا آنها را در اختیار تعداد زیادی از کاربران قرار دهد – که اکثراً هیچ پیشینه ای در تجزیه و تحلیل داده های CFD ندارند. برای فعال کردن کاربران عمومی، کاوش نتایج CFD در یک مرورگر وب مشترک چالش دیگری است زیرا شامل ساده‌سازی، انتزاع، تبدیل و تحویل داده‌ها (فرمت‌ها) از طریق پروتکل‌های تعریف‌شده است.

5.3.2. روش شناسی و پیاده سازی

فرآیند آماده سازی نتایج CFD برای تجسم های تعاملی در وب بر اساس کار ارائه شده در اشنایدر و همکاران بود. [ 52] و در این قسمت خلاصه شده است. داده‌های میدان باد عددی به‌دست‌آمده از شبیه‌سازی‌های CFD با استفاده از ANSYS Fluent به‌عنوان فایل‌های CSV تحویل داده شدند. از آنجایی که CFD بر روی حجم هوای بسیار بزرگ‌تری از شی مورد نظر واقعی انجام می‌شود تا از مصنوعات ناشی از اثرات مرزی جلوگیری شود، نقاط داده‌ای که بالاتر از دو برابر ارتفاع ساختمان بودند حذف شدند (فیلتر شدند). این منجر به کاهش بسیار زیاد تعداد نقاط و در نتیجه کاهش حجم فایل و تجسم واضح‌تر در آینده می‌شود. پس از فیلتر کردن، داده های ذخیره شده در سیستم مختصات محلی ANSYS Fluent به عنوان مرجع در سیستم مختصات EPSG:31467 ارجاع داده شدند، یعنی ساختمان ها (در CityGML اصلی) در این سیستم مختصات ذخیره شدند. پس از آن، تمام نقاط به EPSG تبدیل شدند: 4326 همچنین با نام WGS84 با استفاده از الگوریتم NTv2 (تبدیل ملی نسخه 2) شناخته می شود. WGS84 سیستم مختصات مقصد است که یکی از فرمت هایی است که نمایشگر Cesium برای مشتری از آن پشتیبانی می کند. سزیم همچنین برای ارائه مدل زمین با استفاده از دارایی سزیمی “زمین جهانی” با وضوح تقریبی 30 متر [53 ]. داده های فشار و سرعت باد به گونه ای مقیاس بندی شدند که در سه عدد صحیح بدون علامت 8 بیتی قرار بگیرند تا رنگ اطلاعات را در مقادیر RGB برای استفاده در تجسم رمزگذاری کنند. این بخش از فرآیندهای نگاشت رنگ، مبنایی برای رنگ مشاهده شده در تجسم نتایج است.

برای اجازه دادن به تحویل داده ها از طریق سرویس های وب، داده های باد پس از پردازش در قالب های داده سلسله مراتبی حجم محدود، از جمله کاشی های سه بعدی [ 54 ] و geoJSON ذخیره شدند . اولی امکان استریم و واکشی سلسله مراتبی داده را به منظور ارائه و تجسم مجموعه داده های بزرگ به سرعت به مشتری و ارائه کارآمد داده ها فراهم می کرد. قالب اخیر عمدتاً برای بررسی و مقایسه زمان‌های بارگذاری، ارائه عملکرد و ارزیابی ذهنی تجربه کاربر با استفاده از طرح‌های تجسم مختلف استفاده می‌شود، زیرا راه‌های ساده‌ای برای اجرای گزینه‌های سبکی مانند بستن به زمین ارائه می‌دهد.

طرح‌های تجسم مجموعه داده‌های باد به‌عنوان ابرهای نقطه‌ای سه‌بعدی (مولفه‌های فشار و باد، شکل 8 )، شبکه‌های شش ضلعی دوبعدی روی مدل‌های ساختمان سه‌بعدی ( شکل 9 الف) و خطوط جریان سه‌بعدی به‌عنوان ابرهای نقطه‌ای و به‌عنوان چندخط بومی سزیوم پیاده‌سازی شدند. ( شکل 9 b,c به ترتیب). داده های ابر نقطه ای ( شکل 8 الف) با استفاده از سطل های شش ضلعی با استفاده از عرض معین (5 و 15 متر) خلاصه شد. برای انجام hex-binning و ایجاد شبکه هگزا، Whitebox GAT [ 55 , 56] بسته های نرم افزاری استفاده شد. این نرم افزار یک دسترسی باز است و به کاربر اجازه می دهد تا کد منبع تک تک الگوریتم های درون بسته را تغییر دهد. این گزینه با گسترش عملکرد الگوریتم binning برای شامل میانگین‌گیری مقادیر فشار در مجموعه داده‌های CFD استفاده شد. بنابراین هر سلول در شبکه شش ضلعی حاصل، مقدار فشار متوسط را در یک ارتفاع معین در یک منطقه مشخص نشان می دهد.

برای تجسم خطوط ساده، از چند خط بومی سزیوم استفاده شد که برای آنها ویژگی colorPerVertex فعال بود. این یک خط جریان پیوسته متشکل از چندین بخش ایجاد کرد که در آن برای هر بخش یک رنگ خاص (با توجه به نگاشت سرعت باد به RGB) اختصاص داده شد. درون یابی بین رئوس منجر به انتقال صاف بین مقادیر سرعت باد، یعنی رنگ ها می شود ( شکل 9ج). API 3DPS برای ارائه داده های ساده (یعنی لیست مختصات و سرعت باد و همچنین مقادیر RGB مربوطه) به مشتری استفاده شد. سپس خطوط ساده می تواند توسط مشتری با استفاده از مرورگر ساده جاوا اسکریپت در وب سایت نمایش داده شده ایجاد شود. برای تجسم خطوط جریان به عنوان ابرهای نقطه ای، همان روشی که برای طرح های فشار ابر نقطه ای (در بالا) توضیح داده شد اعمال می شود زیرا فرمت داده یکسان است و بنابراین می تواند به عنوان یک لایه ابر نقطه ای با استفاده از API 3DPS تحویل داده شود.

مدل های ساختمان 3D CityGML و 3D-DLM با استفاده از FME به قالب 3D-Tiles تبدیل شدند. سرویس‌های تجسم از پورتال 3 بعدی Geodata ( بخش 5.1 ) به عنوان رابطی برای مشتریان وب برای دسترسی به محتویات داده استفاده می‌کنند.

6. نتایج و ارزیابی

6.1. پورتال سه بعدی ژئو دیتا

پورتال 3D Geo-data با رویکردهای مختلفی از جمله وب سرور استاتیک، 3D Container API و 3DPS پیاده سازی شد. چندین معیار برای مقایسه این سه رویکرد استفاده می شود، جدول 2 را ببینید. برای وب سرور استاتیک، پیاده سازی آن ساده است اما فاقد عملیات مهم سمت سرور است که انعطاف پذیری بیشتری برای درخواست داده ها فراهم می کند. API کانتینر سه بعدی پیشرفته تر است و عملکرد سرور را برای فیلتر فضایی در دو بعدی و سه بعدی و مطابق با OGC API ارائه می دهد. همچنین دارای ساختار هندسی سلسله مراتبی است که به کاربران اجازه می دهد به هر لایه داده با توجه به سطوح جغرافیایی دسترسی داشته باشند. به عنوان مثال، اروپا -> آلمان -> اشتوتگارت. در نهایت، پیاده سازی 3DPS دشوارترین است، اما پرس و جوی فضایی را فراهم می کند که به کاربران اجازه می دهد مجموعه داده را در مرز فضایی مشخص شده جستجو و استخراج کنند.

6.2. شبیه سازی CFD

در ابتدای پروژه، تمام اجزای مدل (ساختمان‌ها، زمین، پوشش گیاهی) باید به صورت دستی از پایگاه‌های اطلاعاتی GIS تبدیل می‌شد و به صورت دستی برای شبیه‌سازی‌های CFD بهینه‌سازی و ترکیب می‌شد. گردش کار نیمه خودکار توسعه یافته به طور قابل توجهی تلاش دستی را در مراحل اصلی وقت گیر کاهش می دهد، جدول 3 را ببینید .

زمان برترین بخش، آماده سازی و بهینه سازی ساختمان ها است. بهینه سازی دستی 75 ساختمان انتخاب شده حدود یک هفته پس از تبدیل هندسه مورد نیاز است. با استفاده از الگوریتم صفحه رفت و برگشت جدید توسعه یافته (به بخش 5.2.2 مراجعه کنید ) بهینه سازی این ساختمان ها حدود یک روز طول می کشد. با ساده کردن هندسه ساختمان ها همانطور که توضیح داده شد، می توان کیفیت مش محاسباتی مشتق شده را به طور قابل توجهی بهبود بخشید.

مدل‌های پوشش گیاهی (به بخش 5.2.2 مراجعه کنید) از نظر دقت و عمق مدل متفاوت هستند و می‌توانند در حدود یک ساعت در جریان کار پیشنهادی اعمال شوند. مدل پوشش گیاهی با شرایط منبع اضافی را می توان به راحتی ادغام کرد. علاوه بر این منجر به میدان باد واقعی‌تر می‌شود و برای موارد شبیه‌سازی بیشتر پیشنهاد می‌شود.

چرخش و برش دامنه CFD برای سازگاری با جهت باد ورودی و همچنین تعریف پارامترهای لبه و لایه‌های مرزی برای تولید مش هنوز باید به صورت دستی انجام شود.

6.3. تجسم

خط لوله تجسم پیاده سازی شده، شامل پیش پردازش داده ها، فیلتر کردن، نقشه برداری و تبدیل نیازمند بسیاری از مراحل نظارت شده و دقیق با استفاده از بسته های نرم افزاری مختلف (مانند نرم افزار GIS، اسکریپت های Matlab و Python) است. هنگامی که داده ها به فرمت های مناسب تبدیل شدند، جاوا اسکریپت برای پیاده سازی پلت فرم تجسم جلویی استفاده می شود. پلتفرم شهر هوشمند حاصل را می توان در شکل 10 مشاهده کرد ، جایی که کاربر گزینه های متعددی برای به دست آوردن انواع مختلف نمایش داده ها از نتایج CFD و همچنین درخواست داده های اضافی مانند مدل های ساختمان سه بعدی دارد. این درخواست‌ها که با یک کلیک ساده انجام می‌شوند با استفاده از اجرای پورتال داده‌های جغرافیایی سه بعدی ( بخش 6.1) رسیدگی می‌شوند.). از آنجایی که ژئوپورتال سه بعدی از مدل ساختمان اصلی تبدیل شده به کاشی های سه بعدی استفاده می کند، ساختمان های ارائه شده در پورتال داده های جغرافیایی سه بعدی اندکی با ساختمان های بهینه سازی شده مورد استفاده در شبیه سازی CFD متفاوت است و گاهی اوقات منجر به ایجاد مصنوعات بصری به عنوان تلاقی خطوط جریان با ساختمان ها می شود.

از آنجایی که قالب‌های داده‌های مختلف برای برنامه وب آزمایش شده‌اند، می‌توان توصیه‌ای در مورد اینکه کدام فرمت برای تجسم مجموعه داده‌های جغرافیایی-مکانی بزرگ مناسب‌تر است، ارائه شود ( جدول 4 ). با این حال، این یافته ممکن است فقط به نتایج CFD ما محدود نشود، بلکه ممکن است به داده های مشابه بر اساس اندازه گیری ها یا شبیه سازی های فیزیکی کاملاً متفاوت گسترش یابد. همانطور که از این نتایج مشاهده می شود، کاشی های سه بعدی (یا سایر فرمت های سلسله مراتبی حجم محدود) برای هدف یک برنامه وب با بارگذاری روان و سریع در هنگام برخورد با داده های دانه بندی شده به صورت فضایی پراکنده و ریز مناسب ترین هستند.

7. بحث

هدف از این مطالعه، امکان ادغام نتایج شبیه‌سازی CFD آفلاین در یک پلت فرم شهر هوشمند است. به طور کلی، اثبات مفهوم برای گردش کار پیشنهادی با موفقیت اجرا شد. این راه‌اندازی سریع‌تری برای شبیه‌سازی CFD از پایگاه داده‌های ژئو انفورماتیک فراهم می‌کند و به نتایج CFD اجازه می‌دهد به راحتی در برنامه‌های کاربردی مبتنی بر وب تعاملی قابل دسترسی باشند.

گردش کار برای راه اندازی شبیه سازی CFD (ارائه شده در بخش 5.2 )، منجر به یک هندسه ساختمانی ساده شده و به خوبی مشروط می شود. این یک پیش نیاز برای مش بندی با کیفیت بالا و مناسب است که تأثیر زیادی بر نتیجه شبیه سازی CFD دارد [ 21 ]. با این حال، اصطلاح مناسب به شدت به سوال تحقیق در دست و مقیاس مدل وابسته است. صرفه جویی قابل توجهی در زمان حدود 85 درصد برای بهینه سازی ساختمان ( جدول 3 ) با استفاده از الگوریتم های پیش پردازش [ 35] در مقایسه با فرآیند کاملا دستی مشاهده شد. علیرغم این پیشرفت عظیم، برخی از مداخلات دستی ممکن است برای هندسه های پیچیده مورد نیاز باشد، قبل از اینکه مش بندی ممکن شود. به همین دلیل، توسعه بیشتر الگوریتم بهینه‌سازی هندسه به منظور اجرای مراحل ساده‌سازی اضافی برای مسائل خاص باد شهری مانند بستن شکاف‌ها بین ساختمان‌ها و حیاط‌ها مورد توجه آینده است. با توجه به گردش کار نیمه خودکار ارائه شده، پیش پردازش مدل سریعتر و آماده سازی نتایج برای برنامه های مختلف CFD امکان پذیر است.

اگرچه ساده‌سازی/بهینه‌سازی، که هندسه را اصلاح می‌کند، به نوعی در تمام مطالعات CFD انجام می‌شود، تا کنون تأثیر اصلاحات به طور سیستماتیک فقط توسط [ 57 ] مورد مطالعه قرار گرفته است. تأثیر بر نتایج CFD ناشی از اصلاحات پیشنهادی در مطالعه حاضر همچنان باید به طور سیستماتیک برای هر برنامه خاص مورد بررسی قرار گیرد.

با توجه به تجسم و ارائه نتایج در یک برنامه کاربردی مبتنی بر وب قابل کاوش، از پورتال داده های جغرافیایی سه بعدی برای ارائه مدل های سه بعدی شهر و مجموعه داده های شبیه سازی باد سه بعدی استفاده شد. پورتال 3D Geo-data از دستگاه های تلفن همراه بدون اجرای بیشتر پشتیبانی می کند و تجسم در فضای باز را ساده می کند. چالش اصلی جریان مجموعه داده های سه بعدی از سرور تجسم به مشتری است. ذخیره سازی نمایش باد یا فشار در قالب های داده های مختلف (به عنوان مثال، کاشی های سه بعدی و geoJSON) تفاوت قابل توجهی را در زمان پاسخ نشان می دهد (یعنی کاشی های سه بعدی 30٪ سریعتر از geoJSON بارگیری می شوند)، تجربه ذهنی حتی بیشتر قابل توجه است (جدول 4) .). اگرچه پیاده‌سازی وب سرور استاتیک ساده‌ترین راه‌حل بود، اما این راه‌حل با کمترین انعطاف‌پذیری در مورد تحویل داده و دسترسی است. بنابراین، API کانتینر سه بعدی آزمایشی مشخص شده در یک OGC پایلوت [ 46 ] و استاندارد 3DPS OGC برای اجازه دادن به پرس و جو و دسترسی به داده ها از طریق API های مربوطه پیاده سازی شدند ( جدول 2). 3D Container API، رابط کاربری آسانی را برای کاربران فراهم می کند تا بتوانند در سطوح هندسی سلسله مراتبی برای به دست آوردن نقاط پایانی مجموعه داده ها جستجو کنند. این مزایا را برای کاربران جدید به منظور درک سریع سرویس فراهم می کند، اما اضافه کردن سناریوهای بیشتر یا به روز رسانی داده های موجود دشوار است. 3DPS از پرس و جوهای فضایی برای داده ها در مرزهای هندسی مشخص پشتیبانی می کند. بنابراین، 3D Container API برای سرویس تحویل داده برای به اشتراک گذاری داده ها به طور گسترده و ادغام در هر برنامه کاربردی ساده توصیه می شود، در حالی که 3DPS توصیه می شود در برنامه های پیچیده تر که سناریوهای مختلفی را ارائه می دهند استفاده شود. با توجه به دانش نویسندگان، این اولین مطالعه ای است که از 3DPS و 3D Container APIs برای ارائه داده های شبیه سازی CFD به یک برنامه وب قابل کاوش سه بعدی برای تجسم میدان های باد شهری در مقیاس ساختمان ها و پایین تر استفاده کرده است. برای تجسم خطوط مستمر، از API 3DPS برای ارائه فرمت داده های شبیه سازی متمایز (یعنی مختصات، سرعت باد و مقادیر رنگ) استفاده شد. این روش برای ارائه نتایج شبیه‌سازی باد (یعنی ساده‌سازی) به مشتریان وب قبلاً انجام نشده است و انعطاف‌پذیری 3DPS را برجسته می‌کند، اگرچه API به طور خاص برای ارائه چنین داده‌هایی طراحی نشده است. در واقع، 3DPS نوع داده‌ای را که باید تحویل داده شود، مشخص نمی‌کند، بنابراین انعطاف‌پذیری زیادی در رابطه سرور-مشتری-داده فراهم می‌کند. اگرچه API به طور خاص برای ارائه چنین داده هایی طراحی نشده است. در واقع، 3DPS نوع داده‌ای را که باید تحویل داده شود، مشخص نمی‌کند، بنابراین انعطاف‌پذیری زیادی در رابطه سرور-مشتری-داده فراهم می‌کند. اگرچه API به طور خاص برای ارائه چنین داده هایی طراحی نشده است. در واقع، 3DPS نوع داده‌ای را که باید تحویل داده شود، مشخص نمی‌کند، بنابراین انعطاف‌پذیری زیادی در رابطه سرور-مشتری-داده فراهم می‌کند.

در مطالعه موردی ارائه شده، ساختمان های موجود در نظر گرفته شده است. همین روش را می توان برای طرح های شهری جدید، ادغام مرحله برنامه ریزی ساختمان های جدید در مدل شهر سه بعدی به کار برد. این به معماران و برنامه ریزان شهری اجازه می دهد تا چندین طرح ممکن را با توجه به جریان باد شهری و پیامدهای آن تجزیه و تحلیل کنند. با این حال، در وب سرویس، هنوز امکان اجرای شبیه‌سازی‌های CFD به صورت تعاملی وجود ندارد، همانطور که در پروژه دوقلوهای دیجیتال Kalasatama [ 25] وجود دارد.]؛ علاوه بر این، امکان تغییر هندسه ساختمان در حین پرواز در برنامه وب وجود ندارد. در راه حل ارائه شده، مدل‌های ساختمان جایگزین باید در خدمات داده‌های جغرافیایی و شبیه‌سازی‌های CFD با ساختمان‌های جدید و/یا شرایط مرزی مختلف مانند شرایط ورودی مختلف از قبل ارائه شوند. این به این دلیل است که پیش پردازش برای شبیه سازی CFD همچنان به دانش تخصصی و همچنین کار دستی نیاز دارد و شبیه سازی CFD خود زمان بر است و به منابع محاسباتی کافی نیاز دارد. این ممکن است از یک سو یک محدودیت در نظر گرفته شود، اما از سوی دیگر، این روش به اطمینان از کیفیت نتایج CFD کمک می کند، که به کیفیت مش بستگی دارد که به نوبه خود به ویژگی های هندسی بستگی دارد. علاوه بر این، در مقایسه با رویکرد [ 25] نیازی نیست آن دسته از کاربرانی که در نهایت نتایج را بررسی می کنند مانند برنامه ریزان شهری به نرم افزار CFD دسترسی داشته باشند. در نهایت، معماری پیشنهاد شده در مقاله حاضر برای ادغام هر نرم افزار CFD که اجازه صادرات داده را می دهد، و فراتر از آن هر نرم افزار شبیه سازی که داده های مشابهی را ارائه می دهد، باز است.

8. نتیجه گیری

این مقاله برای اولین بار یک گردش کار پیوسته از مدل‌های شهر سه بعدی تا تجسم میدان‌های باد شبیه‌سازی‌شده در یک محیط شهری را بررسی و ارائه کرد. این گردش کار پیوسته از یک گردش کار پیش پردازش جدید، با استفاده از الگوریتم های جدید توسعه یافته برای ساده سازی هندسه ساختمان استفاده می کند [ 35 ، 36]، که به طور نیمه خودکار بهینه سازی هندسه ساختمان را برای انجام شبیه سازی های CFD کارآمدتر از نظر ❶ صرفه جویی در زمان قابل توجه برای کار دستی، و منجر به بهبود راندمان محاسباتی و همگرایی شبیه سازی می کند. علاوه بر این، ❷ تحویل داده برای این نتایج CFD خاص از یک سرور به یک کلاینت مبتنی بر وب تعاملی با استفاده از پروتکل‌های استاندارد OGC برای اولین بار پیاده‌سازی شد. با استفاده از این پروتکل‌های استاندارد، به‌ویژه API 3DPS، یک رویکرد جدید برای تحویل ساده از سرور به کلاینت با بهره‌برداری از این واقعیت ایجاد شد که پروتکل 3DPS به دلیل عدم مشخصه عمدی آن برای فرمت‌های تحویل داده، بسیار انعطاف‌پذیر است. سرانجام، گردش کار ارائه شده با ❸ پیاده سازی و تجزیه و تحلیل طرح های تجسم مختلف میدان های باد شهری با توجه به زمان پاسخ و تجربه کاربر ❹ در چارچوب و در مقیاس (و زیر) مدل های ساختمان سه بعدی به پایان می رسد. در نهایت، ❺ مجموعه ارائه شده از راه حل های بین رشته ای جدید برای انواع مشکلات خاص در رابط بین CFD و ژئوانفورماتیک (نگاه کنید بهبخش 5 ) قبلاً ارائه نشده است تا نویسندگان بدانند. ❻ در حالی که این گردش کار در زمینه شهر هوشمند در این مطالعه اعمال می شود، علاوه بر این ممکن است به عنوان یک راهنمای گام به گام (تقریبا) برای سایر حوزه ها عمل کند که با مسائل مشابه یا حداقل مشابه، به عنوان مثال، شبیه سازی سیل، سروکار دارد.

با وجود این، تحقیقات بیشتری با توجه به الگوریتم بهینه‌سازی هندسه مبتنی بر پارامتر برای راه‌اندازی CFD مورد نیاز است، زیرا یک مرحله پیش‌پردازش دستی همچنان پس از آن مورد نیاز است، بنابراین تعداد ساختمان‌هایی را که می‌توان بررسی کرد محدود می‌کند.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

سه بعدی	سه بعدی (x، y، z)
3DPS	خدمات تصویرسازی سه بعدی
API	رابط برنامه نویسی کاربردی
CAD	طراحی به کمک رایانه
CFD	دینامیک سیالات محاسباتی
DLM	مدل منظره دیجیتال
DTM	مدل دیجیتالی زمین
FME	موتور دستکاری ویژگی ها
GML	زبان نشانه گذاری جغرافیا
LAI	شاخص سطح برگ
LGL	Landesamt für Geoinformation und Landentwicklung
LiDAR	تشخیص نور و محدوده
LoD	سطح جزئیات
OGC	کنسرسیوم فضایی باز
OSM	نقشه خیابان را باز کنید
RANS	رینولد معادلات میانگین ناویر-استوکس
گام	استاندارد برای تبادل داده های مدل محصول
STL	زبان استاندارد مثلثی سازی
TIN	شبکه نامنظم مثلثی

منابع

PAS 180 شهرهای هوشمند. واژگان. در دسترس آنلاین: https://www.bsigroup.com/en-GB/smart-cities/Smart-Cities-Standards-and-Publication/PAS-180-smart-cities-terminology/ (در 17 سپتامبر 2020 قابل دسترسی است).
ساختمان های OSM سزیمی در دسترس آنلاین: https://cesium.com/content/cesium-osm-buildings (در 22 اوت 2020 قابل دسترسی است).
گروبر، داده های پایگاه فضایی سه بعدی رسمی ایالات متحده در آلمان. PFG 2020 ، 88 ، 25-31. [ Google Scholar ]
لهنر، اچ. Dorffner, L. Digital geoTwin Vienna: Towards a Digital Twin City as Geodata Hub. PFG 2020 ، 88 ، 63-75. [ Google Scholar ]
شروتر، جی. Hürzeler, C. دوقلو دیجیتال شهر زوریخ برای برنامه ریزی شهری. PFG 2020 ، 88 ، 99-112. [ Google Scholar ]
روهوماکی، تی. ایراکسینن، ای. هووسکا، پ. کسانیمی، او. مارتیککا، م. Suomisto، J. پلتفرم شهر هوشمند فعال دیجیتال دوقلو. در مجموعه مقالات کنفرانس بین المللی 2018 سیستم های هوشمند (IS)، فونچال-مادیرا، پرتغال، 25 تا 27 سپتامبر 2018؛ صص 155-161. [ Google Scholar ]
بیلجکی، اف. استوتر، جی. لدوکس، اچ. زلاتانوا، اس. Çöltekin، A. کاربردهای مدل های سه بعدی شهر: بررسی وضعیت هنر. ISPRS Int. J. Geo-Inf. 2015 ، 4 ، 2842-2889. [ Google Scholar ]
مونین، دی. استرزالکا، ا. کوکوفیکیس، ا. کورز، وی. ایکر، یو. مقایسه مفروضات و روش‌های مدل‌سازی ساختمان برای پیش‌بینی تقاضای حرارت در مقیاس شهری. محیط شهرهای آینده 2017 ، 3 ، 2363-9075. [ Google Scholar ]
رومرو رودریگز، ال. دومینیل، ای. سانچز راموسا، جی. ایکر، U. ارزیابی پتانسیل فتوولتائیک در سطح شهری بر اساس مدل‌های شهر سه بعدی: مطالعه موردی و رویکرد روش‌شناختی جدید. سول انرژی 2017 ، 146 ، 264-275. [ Google Scholar ]
لو، ال. بکر، تی. Löwner، MO 3D تجزیه و تحلیل کامل صدای ترافیک بر اساس CityGML. در پیشرفت در ژئو اطلاعات سه بعدی ; انتشارات بین المللی Springer: برلین/هایدلبرگ، آلمان، 2017; ص 265-283. [ Google Scholar ]
Blocken، B. 50 سال مهندسی باد محاسباتی: گذشته، حال و آینده. جی. مهندس باد. هندی آئرودین. 2014 ، 129 ، 69-102. [ Google Scholar ]
فرانکه، جی. هلستن، ا. شلونزن، اچ. Carissimo، B. بهترین دستورالعمل برای شبیه سازی CFD جریان ها در محیط شهری. COST Action 2007 ، 732 ، 51. [ Google Scholar ]
لتزگوس، پی. لوتز، تی. Krämer, E. شبیه‌سازی‌های گردابی جدا شده از میدان جریان جوی محلی در یک سایت تست انرژی باد جنگلی واقع در زمین پیچیده. J. Phys. Conf. سر. 2018 ، 1037 ، 072043. [ Google Scholar ]
ال بهلولی، ع. بانگ، جی. ارزیابی تجربی و عددی منابع بادی یک سایت پردیس دانشگاهی. در بهره برداری از انرژی بادی در محیط شهری ; Battisti, L., Ricci, M., Eds. انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; صص 1-15. [ Google Scholar ]
فون در گرون، م. زمره، پ. چن، ی. لوتز، تی. Voß، U. Krämer، E. مطالعه عددی و اعتبار سنجی مبتنی بر LiDAR میدان باد در سایت‌های شهری. J. Phys. Conf. سر. 2020 ، 1618 ، 42009. [ Google Scholar ]
هرتویگ، دی. پاتنایک، جی. Leitl، B. اعتبارسنجی LES جریان شهری، بخش اول: آمار جریان و توزیع‌های فراوانی. محیط زیست مکانیک سیالات 2017 ، 17 ، 521-550. [ Google Scholar ] [ CrossRef ]
لاتب، م. مرونی، آر. یاتاگنه، م. فلوآه، اچ. صالح، ف. Boufadel, M. در مورد استفاده از مدل‌سازی عددی برای پراکندگی آلاینده‌های میدان نزدیک در محیط‌های شهری – مروری. محیط زیست آلودگی 2016 ، 208 ، 271-283. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
توپارلار، ی. بلوکن، بی. مایهو، بی. ون هایست، جی. مروری بر تجزیه و تحلیل CFD میکرو اقلیم شهری. تمدید کنید. حفظ کنید. Energy Rev. 2017 , 80 , 1613-1640. [ Google Scholar ] [ CrossRef ]
توجا، اف. کونو، تی. پرالتا، سی. لوپز-گارسیا، او. چن، جی. مروری بر شبیه‌سازی‌های دینامیک سیالات محاسباتی (CFD) جریان باد در اطراف ساختمان‌ها برای بهره‌برداری از انرژی باد شهری. جی. مهندس باد. هندی آئرودین. 2018 ، 180 ، 66-87. [ Google Scholar ] [ CrossRef ]
شاتزمن، ام. Leitl، B. مسائل مربوط به اعتبارسنجی مدل‌های CFD جریان و پراکندگی شهری. جی. مهندس باد. هندی آئرودین. 2011 ، 99 ، 169-186. [ Google Scholar ] [ CrossRef ]
Blocken, B. Computational Fluid Dynamics برای فیزیک شهری: اهمیت، مقیاس ها، امکانات، محدودیت ها و ده نکته و ترفند برای شبیه سازی دقیق و قابل اعتماد. ساختن. محیط زیست 2015 ، 91 ، 219-245. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Attene, M. تعمیر فایل های STL غیرقابل چاپ تا حد امکان. نمونه اولیه سریع J. 2018 , 24 , 855-864. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سعیدراشد، YS; Benim، روش‌های اعتبارسنجی AC داده‌های هندسی 3D-CityGML برای شبیه‌سازی باد شهری. E3S Web Conf. 2019 ، 128 ، 10006. [ Google Scholar ] [ CrossRef ]
فرانکه، جی. هیرش، سی. جنسن، ا. کروس، اچ. شاتزمن، ام. وستبری، پی. توصیه هایی در مورد استفاده از CFD در مهندسی باد. در مجموعه مقالات کنفرانس بین المللی مهندسی باد شهری و آیرودینامیک ساختمان. هزینه اقدام C14، تاثیر باد و طوفان بر محیط زیست شهری، 5-7 مه 2004 ; ون بیک، JPAJ، ویرایش. موسسه فون کارمن: SintGenesius-Rode، بلژیک، 2004. [ Google Scholar ]
پروژه دوقلوهای دیجیتال کالاساتاما. 2019. در دسترس آنلاین: https://www.hel.fi/static/liitteet-2019/Kaupunginkanslia/Helsinki3D_Kalasatama_Digital_Twins.pdf (در 8 اکتبر 2020 قابل دسترسی است).
ANSYS Discovery. در دسترس آنلاین: https://www.ansys.com/en-gb/products/3d-design/ansys-discovery (در 28 سپتامبر 2020 قابل دسترسی است).
Ng، R. تجسم باد با پردازنده گرافیکی با سزیوم. 2019. در دسترس آنلاین: https://cesium.com/blog/2019/04/29/gpu-powered-wind/ (در 22 اوت 2020 قابل دسترسی است).
استفانر، ام. پروژه-اوکو. 2020. در دسترس آنلاین: https://project-ukko.net/map.html (در 28 سپتامبر 2020 قابل دسترسی است).
HINT.FM. نقشه باد. 2020. در دسترس آنلاین: https://hint.fm/wind/ (در 28 سپتامبر 2020 قابل دسترسی است).
Beccario, C. EarthWindmap. 2020. در دسترس آنلاین: https://earth.nullschool.net/ (در 28 سپتامبر 2020 قابل دسترسی است).
Coors, V. (Ed.) Platform for Smart Cities Engineering Report ; OGC 19-073r1; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
هاگدورن، بی. توم، اس. رایتز، تی. کورز، وی. Gutbell, R. (Eds.) OGC 3D Portrayal Service. نسخه: 1.0 ; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2017. [ Google Scholar ]
هییر، تی. حمودی، ح. موودی، ر. ترومتر، اس. شیلینگ، آ. استام، جی. شبیه‌سازی سیل و تحلیل ریسک بر اساس مدل‌های شهر سه بعدی معنایی همراه با مدل‌های هیدروعددی (FloRiCiMo). در مجموعه مقالات پنجمین کنگره IAHR اروپا، ترنتو، ایتالیا، 12 تا 14 ژوئن 2018. [ Google Scholar ]
کیلسدار، سی. فیسور، اف. پیروتی، اف. Brovelli، M. استخراج و تجسم مدل های ساختمان سه بعدی در مناطق شهری برای شبیه سازی سیل. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2019 ، XLII-2/W11 ، 669–673. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیپرایت، آر. دینینگر، ام. کادا، م. پریس، م. Voß، U. A Sweep-Plane الگوریتم برای ساده سازی مدل های ساختمانی سه بعدی در سناریوی کاربردی شبیه سازی باد. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2018 ، XLII-4/W10 ، 151–156. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پیپرایت، آر. بیستر، ا. فون در گرون، م. Voß، U. پریس، م. Wagner، U. Towards Wind-Simulation مدل های شهری سه بعدی مجازی در یک محیط VR مشترک. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2019 ، XLII-4/W15 ، 61–66. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
صفحه اصلی FME. در دسترس آنلاین: https://www.safe.com/fme (در 22 اوت 2020 قابل دسترسی است).
کورز، وی. آندره، سی. بوهم، KH 3D-Stadtmodelle. Konzepte und Anwendungen mit CityGML ; Wichmann: Berlin/Offenbach، آلمان، 2016. [ Google Scholar ]
3dfier. در دسترس آنلاین: https://github.com/tudelft3d/3dfier (در 22 اوت 2020 قابل دسترسی است).
فیتواک، جی. مارکس، سی. ویلکوم، پی. دوناوبائر، آ. Kolbe, T. Automatisierte Generierung eines digitalen Landschaftsmodells in 3D. انتشار DGPF 2018 ، 888–902. [ Google Scholar ]
Rothengaß، L. Generierung und Evaluierung Dreidimensionaler Landschaftsmodelle für Eine CFD-Windsimulation. GIS Sci. 2019 ، 2 ، 56-64. در دسترس آنلاین: https://gispoint.de/artikelarchiv/gis/2019/gisscience-ausgabe-22019/5678.html (در 22 اوت 2020 قابل دسترسی است).
واگنر، دی. علم، ن. ووتزر، ام. پریس، م. Coors، V. روش‌های اعتبارسنجی داده‌های هندسی مدل‌های سه بعدی شهر. بین المللی قوس. فتوگرام Remote Sens. Spatial Inf. علمی 2015 ، XL-1-W5 ، 729–735. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ledoux, H. val3dity: اعتبار سنجی سیستم های سه بعدی GIS بر اساس استانداردهای بین المللی. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 ، 1-12. [ Google Scholar ] [ CrossRef ]
کورز، وی. بتز، ام. Duminil, E. مفهومی از مدیریت کیفیت مدل های سه بعدی شهر که از الزامات خاص برنامه پشتیبانی می کنند. PFG 2020 ، 88 ، 3-14. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یائو، ز. ناگل، سی. کونده، اف. هدرا، جی. ویلکوم، پی. دوناوبائر، آ. آدولفی، تی. Kolbe، TH 3DCityDB – یک راه حل پایگاه داده جغرافیایی سه بعدی برای مدیریت، تجزیه و تحلیل و تجسم مدل های شهری سه بعدی معنایی مبتنی بر CityGML. Geospat را باز کنید. نرم افزار داده ایستادن. 2018 ، 3 ، 1-26. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
میلر، تی. ترنوم، جی. Lieberman, J. (Eds.) OGC 3D Data Container Engineering Report ; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
Blocken، B. LES over RANS در شبیه سازی ساختمان برای برنامه های کاربردی در فضای باز و داخلی: یک نتیجه قطعی؟ ساختن. شبیه سازی 2018 ، 11 ، 1-50. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Wilcox، D. مدلسازی آشفتگی برای CFD ; DCW Industries Inc.: La Canada، CA، USA، 1994. [ Google Scholar ]
شاو، آر. شومان، U. شبیه سازی گردابی بزرگ جریان آشفته در بالا و درون یک جنگل. مقید. Meteorol لایه. 1992 ، 61 ، 47-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
صفحه اصلی openCASCADE. در دسترس آنلاین: https://www.opencascade.com/ (در 21 سپتامبر 2020 قابل دسترسی است).
بکت، ر. کامپیولی، ام. کینت، وی. وانستینکیست، دی. مییز، بی. Ceulemans، R. توسعه شاخص سطح برگ در جنگل های معتدل بلوط و راش توسط ویژگی های توده و شرایط آب و هوایی هدایت می شود. درختان 2011 ، 25 ، 935-946. [ Google Scholar ] [ CrossRef ]
اشنایدر، اس. سانتاناوانیچ، تی. کوکوفیکیس، ا. Coors, V. بررسی طرح‌هایی برای تجسم میدان‌های باد شهری بر اساس شبیه‌سازی‌های CFD با استفاده از استانداردهای OGC. ایسپرس ان. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2020 ، 6 ، 157-163. [ Google Scholar ] [ CrossRef ]
سزیم زمین جهانی سزیوم 2019. در دسترس آنلاین: https://cesium.com/content/cesium-world-terrain/ (در 22 سپتامبر 2020 قابل دسترسی است).
کوزی، پ. لیلی، اس. Getz, G. (Eds.) 3D Tiles Specification 1.0 ; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2019. [ Google Scholar ]
لیندسی، جی وایت باکس GAT. محاسبه کنید. Geosci. 2016 ، 95 ، 75-84. [ Google Scholar ] [ CrossRef ]
پروژه لیندسی، جی وایت باکس GAT. در دسترس آنلاین: https://jblindsay.github.io/ghrg/index (در 28 سپتامبر 2020 قابل دسترسی است).
ریچی، آ. کالکمن، آی. بلوکن، بی. بورلاندو، ام. فردا، ا. Repetto، M. اثرات اجباری در مقیاس محلی بر جریان باد در یک محیط شهری: تأثیر ساده‌سازی‌های هندسی. جی. مهندس باد. هندی آئرودین. 2017 ، 170 ، 238-255. [ Google Scholar ] [ CrossRef ]

شکل 1. بررسی اجمالی گردش کار: از CityGML و 3D-DLM تا تجسم میدان های باد شهری در یک پورتال داده های جغرافیایی سه بعدی.

شکل 2. منطقه مطالعه و محیط اطراف. ( سمت چپ ) نمای کلی ساختمان ها (LoD1) و پوشش گیاهی به عنوان عکس هوایی. ( سمت راست ) 3D-DLM. مستطیل قرمز موقعیت ناحیه ای را که با جزئیات مدل شده است را نشان می دهد. مدل ساختمان سه بعدی: © Landeshauptstadt Stuttgart, Stadtmessungsamt, 2018.

شکل 3. ساختمان های در نظر گرفته شده در شبیه سازی CFD: ( الف ) CityGML اصلی، ( ب ) ساختمان های تبدیل شده به STEP. این مدل شامل جزئیاتی است که تولید مش برای شبیه سازی CFD را دشوار یا حتی غیرممکن می کند.

شکل 4. ساختمان ها پس از مراحل مختلف بهینه سازی: ( الف ) با استفاده از الگوریتم جابجایی: بسیاری از جزئیات کوچک حذف شده اند ( ب ) بهینه سازی اضافی با استفاده از عملیات بولی: برخی از ساختمان ها به طور خودکار ادغام می شوند ( ج ) مدل نهایی پس از ادغام دستی اضافی ساختمان ها و حذف جزئيات غير ضروري مثلاً در حياط ها و تا حدي بستن حياط ها.

شکل 5. دامنه محاسباتی از بالا ( سمت چپ ) و در نمای سه بعدی با ابعاد ( سمت راست ). ارتفاع زمین (افسانه سمت راست) نسبت به پایین ترین نقطه در منطقه نشان داده شده است. ساختمان ها مساحتی در حدود

300 m \times 600 m

. در محدوده چند ضلعی تقریبا

1800 m \times 350 m

درختان با جزئیات مدل شده اند. در اینجا ارتفاع درخت نسبت به زمین داده می شود (افسانه سمت چپ). جریان ورودی از سمت چپ، عمود بر روی دامنه است که با فلش قرمز در سمت راست نشان داده شده است.

شکل 6. میدان سرعت بدون در نظر گرفتن پوشش گیاهی ( سمت چپ ) و با مدل پوشش گیاهی جامد ( سمت راست ). سه جامد اضافی پوشش گیاهی را مدلسازی می کنند.

شکل 7. میدان سرعت با پوشش گیاهی مدل نیروی حجمی در تابستان ( سمت چپ ) و در زمستان ( راست ).

شکل 8. تجسم نتایج شبیه سازی CFD برای اشتوتگارت-نکارتور به عنوان دو نمونه از طرح های تجسم با استفاده از ابرهای نقطه ای. با استفاده از ابرهای نقطه ای لطفاً توجه داشته باشید که تصویر سمت چپ ( a ) تجسم فشار باد را بر حسب واحد Pa نشان می دهد در حالی که تصاویر سمت راست ( b ) اجزای جهت باد را نشان می دهد (

x, y, z

) در RGB کدگذاری شده است.

شکل 9. ( الف ) یک شبکه شش ضلعی که سلول های شش ضلعی را نشان می دهد که میانگین فشار (بر حسب واحد Pa) برای یک برش در ارتفاع بالای سقف را نشان می دهد. تصاویر پایین تجسم‌های ساده را نشان می‌دهند که با سرعت باد (0.5 متر بر ثانیه (آبی) تا 3.5 متر بر ثانیه (قرمز)) با استفاده از نقاط ( b ) و ( c ) اجسام چند خطی سزیوم رنگ‌آمیزی شده‌اند. لطفاً توجه داشته باشید که ناحیه تاریک سمت راست ( b , c ) در شبیه‌سازی‌های CFD وجود نداشت. دلیل سرعت بالای باد در این منطقه با وجود ساختمان هایی است که وجود دارد.

شکل 10. تصویری از پلتفرم شهر هوشمند به عنوان برنامه وب حاصل. در این برنامه مبتنی بر وب، کاربر می تواند طرح های تجسم مختلفی را برای مشاهده نتایج CFD انتخاب کند. این پلتفرم با استفاده از لینک زیر قابل دسترسی است: https://icity.hft-stuttgart.de/hftsmartplatform/ .

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

گردش کار پیوسته و نیمه خودکار: از مدل های سه بعدی شهر با بهینه سازی هندسی و شبیه سازی CFD تا تجسم باد در یک محیط شهری

گردش کار پیوسته و نیمه خودکار: از مدل های سه بعدی شهر با بهینه سازی هندسی و شبیه سازی CFD تا تجسم باد در یک محیط شهری

خلاصه

1. معرفی

2. وضعیت هنر

3. فرصت های پژوهشی، مشارکت و تازگی

4. مروری بر گردش کار

5. جزئیات گردش کار

5.1. خدمات داده های جغرافیایی

5.1.1. پیاده سازی

5.2. شبیه سازی CFD

5.2.1. بیان مسأله

5.2.2. روش شناسی

بهینه سازی ساختمان

مدل زمین

مدل های پوشش گیاهی

مدل کامل، شرایط مرزی

5.2.3. نتایج CFD

5.3. خدمات تجسم

5.3.1. بیان مسأله

5.3.2. روش شناسی و پیاده سازی

6. نتایج و ارزیابی

6.1. پورتال سه بعدی ژئو دیتا

6.2. شبیه سازی CFD

6.3. تجسم

7. بحث

8. نتیجه گیری

اختصارات

منابع

قبلیاورینوکو: بازیابی شبکه دلتای رودخانه با روش راهپیمایی سریع و پایتون

بعدیتاثیر پارامترهای نقشه برداری پهپاد بر مدل سازی سطوح کاربری اراضی شهری مختلط

مطالب مرتبط ...

آموزش مقاله نویسی در رشته ادبیات فارسی

تأثیر همسایگی درونیابی DEM بر عوامل زمین

رگرسیون وزنی جغرافیایی تطبیقی ​​غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

خبرنامه

خبرنامه

درباره سرزمین فناوری مکانی GISLAND

دسترسی سریع

اطلاعات

دسترسی سریع

رگرسیون وزنی جغرافیایی تطبیقی غیر منفی برای تخمین تراکم جمعیت بر اساس نور شب