
沿海城市受风灾影响严重,建筑在风灾下主要发生外围护构件破坏,窗户是建筑外围护构件的主要组成之一。快速预测风灾下城市建筑窗户的损失对城市防灾具有重要意义。城市建筑数量众多,且由于建筑之间的相互影响,风场也非常复杂,高效而准确的评估窗户风损就成为一个很困难的问题。针对这一需求,我们从(1)数据高效获取,(2)对象自动识别,(3)风损精准评估三个方面,提出了(1)无人机倾斜摄影、(2)深度学习对象识别及(3)窗户风压CFD模拟三个解决方法(图1)。具体介绍如下。

图1 论文关键方法架构图
近年来城市尺度数据获取最受关注的手段之一就是无人机倾斜摄影。通过无人机航拍,可以很方便的建立城市区域的建筑三维模型。这里我们针对后面对象识别的需求,进一步对航拍数据进行处理,以自动获取建筑不同立面的无畸变图像(图2)。 
图2 基于无人机倾斜摄影的数据高效获取
基于深度学习的图形对象识别现在已经是非常成熟的技术了。我们这里就用了老熟人Pix2Pix算法,并重新标注了适用于窗户识别的数据集,从而在立面照片上识别窗户的位置和大小(图4)。
当然,识别完以后还要把窗户再逆变换到城市真实坐标系里面去,作为后续风损分析的输入数据(图5)。

图5 窗户识别后逆变换回城市真实坐标系
建筑群的CFD计算现在已经比较成熟了。相比起传统窗户风损评估方法,我们主要在两个方面提升了精度,一个方面是外风压是基于实际建筑群分布的CFD计算,这样肯定比基于经验公式忽略建筑群复杂气流影响的结果要好一点。另一个方面是我们会随着窗户的破损调整室内风压的计算,以得到更加合理的窗户内外压差。
图6 窗户压差CFD计算流程
我们选择了深圳市的一个城区案例进行分析,首先获取当地的GIS信息及无人机倾斜摄影航拍信息(图7)。 
图7 目标对象区域
然后对比了深度学习识别的窗户准确度和效率,貌似还挺好的,毕竟对着电脑数8个多小时的窗户不是一个轻松愉快的工作,是吧?
接着就是CFD建模和计算,于是就可以得到整个区域在不同风力下的窗户风损大小(图8)。

图8 本方法预测的区域窗户风损
城市防灾研究涉及问题众多,迫切需要开展充分的学科交叉。虽然无人机倾斜摄影测量、深度学习图像识别、CFD流场计算都已经是在其自身领域非常成熟的技术,但是如果可以加以合适的集成,仍然可以在城市防灾领域找到很好的应用场景,从而有效提升灾损分析的效率和准确性。