FLICK：用神经网络革新城市尺度风场模拟的轻量级工具

巴塞罗那超级计算中心与加泰罗尼亚理工大学联合开发的FLICK项目，利用神经网络实现城市尺度风场的快速轻量级建模。该项目针对传统高保真计算流体力学（CFD）模拟计算成本极高、难以满足实时决策需求的痛点，在保持合理精度的同时，将模拟速度提升数个数量级，为气候研究与城市规划提供高效工具。

城市风场分布受建筑物、街道等复杂地表特征影响，传统CFD模拟（如大涡模拟LES）需耗费大量计算资源求解纳维-斯托克斯方程，单次模拟可能需数小时甚至数天。这导致实际应用困境：城市规划师无法快速评估不同建筑布局的风环境影响；气候研究人员难以进行大规模参数化研究；应急响应团队无法实时预测污染物扩散路径。FLICK团队探索用机器学习代理模型替代传统数值模拟以解决此问题。

FLICK是Python工具包，核心为训练后的卷积神经网络（CNN），学习城市几何特征到风场分布的映射。输入为城市几何表示（如建筑高度图、地形数据），输出为预测的风速场和风向分布。训练数据来源于高保真CFD模拟结果（特别是SOD2D求解器生成的数据集）。模型能在比训练域更大的区域推理，但遇到与训练数据差异大的几何构型时平均误差约40%，团队正扩展数据集提升鲁棒性。

FLICK的优势在于速度：传统CFD需数小时完成的计算，FLICK可秒级完成。这支持实时城市规划（即时评估建筑方案风环境）、大规模参数研究（快速扫描设计参数）、应急响应（快速预测污染物扩散）。但FLICK定位为CFD的预处理/快速筛选工具，非完全替代，关键决策仍需传统CFD验证。

当前FLICK的主要局限是泛化能力不足，未见几何构型误差显著上升。未来方向包括：扩展训练数据集纳入更多样化城市几何与风况；结合物理约束神经网络（在损失函数引入流体力学基本方程）；扩展到时变风场、热浮力效应及多尺度耦合模拟。

FLICK展示了机器学习在科学计算的典型应用范式：用高保真模拟生成训练数据，训练轻量级神经网络代理模型，实现数量级加速。对城市规划、建筑设计和气候研究从业者，FLICK提供快速评估与迭代设计路径。随着数据集扩展和模型优化，FLICK有望成为城市风环境分析的标准工具箱之一。