Sous l'effet du piston de tunnel, le flux d'air non organisé (UVA) traversant les portes palières influence significativement la charge thermique des stations de métro. Une prédiction précise de l'UVA est une condition clé pour la conception économe en énergie des systèmes de ventilation et de climatisation (HVAC). Un cadre prédictif intelligent intégrant la dynamique des fluides numérique (CFD) paramétrique et l'apprentissage profond est proposé, basé sur les équations de contrôle des fluides incompressibles et le modèle de turbulence k-ε. Une simulation numérique bidimensionnelle transitoire a été réalisée avec ANSYS Fluent, et les résultats de simulation ont servi de jeu de données pour l'entraînement du modèle. Un nouveau paramètre sans dimension, le rapport de distance relative (RDR), est introduit pour caractériser l'effet d'accouplement entre la longueur du train et l'espacement des puits d'air piston; les conditions de simulation couvrent différents taux de blocage, RDR, et 4 états de fonctionnement des puits d'air piston, les résultats étant validés par des mesures sur site (RMSE de 0,062 m/s, MAPE moyen de 34,8 %, coefficient de détermination R²=0,939). Sur cette base, un modèle conditionnel d'encodage-décodage est construit pour prédire la série temporelle complète de la vitesse du vent UVA à partir des paramètres statiques de conception. Ce modèle présente d'excellentes performances de généralisation, réalisant une haute précision sur 4 conditions non entraînées (R²>0,94, MAPE<22 %) et capturant efficacement les pics transitoires de la vitesse du vent pendant le mouvement du train.

station de métro;flux d'air non organisé;effet piston;simulation CFD;apprentissage profond;modèle encodeur-décodeur