室温の予測にPhysicsAIを活用した事例です。換気扇（レンジフード）を作動させることで室内の空気を排出することにより、四隅のダクトから外気が流入します。夏場の熱がこもった状態を想定しており、室温の方が外気より高い状態と仮定します。
換気扇の風量によって、温度が低い外気が流れ込む量が変化し、室温がどの程度低下するかが変化します。
部屋のモデルを以下に示します。
AIによる予測の手順は以下の通りです。
1. 約20分後の温度分布について、流体解析を実施し、学習データを用意します
2. 流量Qの値に加え、部屋形状や温度分布の解析結果をPhysicsAIに学習させます
3. 予測したい流量Qと部屋形状をインプットとし、PhysicsAIにより温度分布のコンター図を予測します
今回は部屋のレイアウト（形状）は変更していませんが、それらの解析結果も学習させることにより予測可能となります。
流体解析ソルバーAcuSolveとPhysicsAIの計算時間の比較を示します。PhysicsAIの学習データ数は14個です。
AcuSolveは、１ケースあたり数時間～数十時間かかります。高精度な結果が得られますが、流量や形状のパターンが多いと、解析コストが膨大になります。
一方、PhysicsAIは、数秒～数分で予測が可能です。事前学習が必要になりますが、複数ケースを高速に予測ができます。これにより、設計初期段階で候補案を迅速に絞り込むことができます。
最後に、本事例における学習データ数ごとの予測精度の比較結果をご紹介します。
ここでは、平均絶対誤差(MAE：Mean Absolute Error)を指標として使用します。データ数を増やすほどMAEが小さくなり、予測精度が向上していることが確認できます。
例えば学習データ数が4つの場合、AcuSolveとPhysicsAIの間には平均0.3℃の差があることを示します。最大最小の温度差が約5℃のため、誤差は 0.3/5 * 100 ＝ 約6％と評価できます。
以上のことから、本事例の場合、4ケース程度の少ない学習データ数でも、誤差を10%未満に抑えた予測が可能であることが示されました。
