Unter dem Einfluss des Tunnelkolbeneffekts beeinflusst der ungeordnete Belüftungsstrom (UVA), der durch die Bahnsteigtüren strömt, erheblich die Heiz- und Kühlbelastung von U-Bahn-Stationen. Die präzise UVA-Vorhersage ist eine Schlüsselvoraussetzung für die energieeffiziente Gestaltung von Lüftungs- und Klimaanlagen (HVAC). Es wird ein intelligentes Vorhersagerahmenwerk vorgeschlagen, das parametrische Computational Fluid Dynamics (CFD) mit Deep Learning kombiniert, basierend auf den Steuerungsgleichungen inkompressibler Strömungen und dem k-ε-Turbulenzmodell. Für die Durchführung zweidimensionaler transienter numerischer Simulationen wurde ANSYS Fluent verwendet, und die Simulationsergebnisse dienten als Trainingsdatensatz für das Modell. Ein neuer dimensionsloser Parameter, das relative Abstandsverhältnis (RDR), wurde eingeführt, um die Kopplungseffekte zwischen Zuglänge und Kolbenlüfterbrunnenabstand zu beschreiben; die Simulation deckte verschiedene Blockierungsgrade, RDR und vier Betriebszustände der Kolbenlüfterbrunnen ab, und die Simulationsergebnisse wurden durch Feldmessungen validiert (RMSE von 0,062 m/s, mittlerer absoluter prozentualer Fehler MAPE von 34,8 %, Bestimmtheitsmaß R²=0,939). Darauf basierend wurde ein bedingtes Encoder-Decoder-Modell aufgebaut, um die vollständige Zeitreihe der UVA-Windgeschwindigkeit aus statischen Designparametern vorherzusagen. Das Modell zeigte ausgezeichnete Generalisierungsfähigkeiten und erreichte für vier nicht trainierte Szenarien eine hohe Vorhersagegenauigkeit (R²>0,94, MAPE<22 %) und konnte transiente Windgeschwindigkeitsspitzen während des Zugbetriebs effektiv erfassen.

U-Bahn-Station; ungeordneter Belüftungsstrom; Kolbeneffekt; CFD-Simulation; Deep Learning; Encoder-Decoder-Modell