Geng Tian
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Geng Tian has a total of 19 co-authors. Here are the top co-authors by number of shared publications:
- Liangzhu (Leon) Wang
Centre for Zero Energy Building Studies, Department of Building, Civil and Environmental Engineering, Concordia University, Montreal, Canada
4 shared publications Dingyang Geng
3 shared publicationsShaoxiang Qin
2 shared publications- Ahmed Marey
Department of Architecture, The School of Sciences and Engineering, The American University in Cairo, Cairo 11511, Egypt
1 shared publication Dongxue Zhan
1 shared publication- Dongxue Zhan
School of Medicine and Life Sciences, University of Jinan-Shandong Academy of Medical Sciences, Jinan 250200, Shandong, China; Institute of Materia Medica, Shandong First Medical University & Shandong Academy of Medical Sciences, Jinan 250062, Shandong, China; Key Laboratory for Biotech-Drugs Ministry of Health, Jinan 250062, Shandong, China; Key Laboratory for Rare & Uncommon Diseases of Shandong Province, Jinan 250062, Shandong, China
1 shared publication
Latest Publications
- 3 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Analysis of the unsteady boundary-layer flow over urban-like canopy using large eddy simulation
Analyse par simulation des grandes échelles de l’écoulement de couche limite au-dessus d’une canopée urbaine: L’urbanisation croissante fait émerger des enjeux sociétaux et environnementaux relatifs à la pollution atmosphérique et au microclimat urbain. La compréhension des phénomènes physiques de transport de quantité de mouvement, de chaleur et de masse entre la canopée urbaine et la couche limite atmosphérique est primordiale pour évaluer et anticiper les impacts négatifs de l’urbanisation. Les processus turbulents spécifiques à la couche limite urbaine sont étudiés par une approche de simulation des grandes échelles, dans une configuration urbaine représentée par un arrangement de cubes en quinconce. Le modèle de sous-maille de type Smagorinsky dynamique est implémenté pour mieux prendre en compte l’hétérogénéité de l’écoulement et les retours d’énergie des petites vers les grandes structures. Le nombre de Reynolds basé sur la hauteur du domaine et la vitesse de l’écoulement libre est de 50000. L’écoulement est résolu dans les sous-couches visqueuses et le maillage est raffiné dans la canopée. Le domaine est composé de 28 millions de cellules. Les résultats sont comparés à la littérature et aux données récentes obtenues dans la soufflerie du LHEEA. Chaque contribution au bilan d’énergie cinétique turbulente est calculée directement en tout point. Cette information, rare dans la littérature, permet d’étudier les processus dans la sous couche rugueuse. Grâce à ces résultats 3D, l’organisation complexe de l’écoulement moyen (recirculations, vorticité, points singuliers) est analysée en relation avec la production de turbulence. Enfin, une simulation où les obstacles sont remplacés par une force de traînée équivalente est réalisée à des fins d’évaluation de cette approche.
- 3 April 2026
- Published by Agence Bibliographique de l'Enseignement Supérieur
Analysis of the unsteady boundary-layer flow over urban-like canopy using large eddy simulation
Analyse par simulation des grandes échelles de l’écoulement de couche limite au-dessus d’une canopée urbaine: L’urbanisation croissante fait émerger des enjeux sociétaux et environnementaux relatifs à la pollution atmosphérique et au microclimat urbain. La compréhension des phénomènes physiques de transport de quantité de mouvement, de chaleur et de masse entre la canopée urbaine et la couche limite atmosphérique est primordiale pour évaluer et anticiper les impacts négatifs de l’urbanisation. Les processus turbulents spécifiques à la couche limite urbaine sont étudiés par une approche de simulation des grandes échelles, dans une configuration urbaine représentée par un arrangement de cubes en quinconce. Le modèle de sous-maille de type Smagorinsky dynamique est implémenté pour mieux prendre en compte l’hétérogénéité de l’écoulement et les retours d’énergie des petites vers les grandes structures. Le nombre de Reynolds basé sur la hauteur du domaine et la vitesse de l’écoulement libre est de 50000. L’écoulement est résolu dans les sous-couches visqueuses et le maillage est raffiné dans la canopée. Le domaine est composé de 28 millions de cellules. Les résultats sont comparés à la littérature et aux données récentes obtenues dans la soufflerie du LHEEA. Chaque contribution au bilan d’énergie cinétique turbulente est calculée directement en tout point. Cette information, rare dans la littérature, permet d’étudier les processus dans la sous couche rugueuse. Grâce à ces résultats 3D, l’organisation complexe de l’écoulement moyen (recirculations, vorticité, points singuliers) est analysée en relation avec la production de turbulence. Enfin, une simulation où les obstacles sont remplacés par une force de traînée équivalente est réalisée à des fins d’évaluation de cette approche.
- Open Access
- 29 November 2025
- Published by Elsevier in Building and Environment
- Vol. 289
AI-enhanced large-eddy simulation for urban wind flows: accelerating spin-up with Fourier neural operator initialization
- 29 November 2025
- Published by Elsevier in Building and Environment
- Vol. 289
Open AccessAI-enhanced large-eddy simulation for urban wind flows: accelerating spin-up with Fourier neural operator initialization
- 1 March 2025
- Published by AIP Publishing in Physics of Fluids
- Vol. 37 (3)
Using diffusion models for reducing spatiotemporal errors of deep learning based urban microclimate predictions at post-processing stage
Computational fluid dynamics (CFD) is a powerful tool for modeling turbulent flow and is commonly used for urban microclimate simulations. However, traditional CFD methods are computationally intensive, requiring substantial hardware resources for high-fidelity simulations. Deep learning (DL) models are becoming popular as efficient alternatives, requiring less computational resources to model complex non-linear interactions in fluid flow simulations. A major drawback of DL models is that they are prone to error accumulation in long-term temporal predictions, often compromising their accuracy and reliability. To address this shortcoming, this study investigates the use of a denoising diffusion probabilistic model (DDPM) as a novel post-processing technique to mitigate error propagation in DL models' sequential predictions. To address this, we employ convolutional autoencoder (CAE) and U-Net architectures to predict airflow dynamics around a cubic structure. The DDPM is then applied to the model's predictions, refining the reconstructed flow fields to better align with high-fidelity statistical results from large-eddy simulations. Results demonstrate that, although deep learning models provide significant computational advantages over traditional numerical solvers, they are susceptible to error accumulation in sequential predictions; however, utilizing DDPM as a post-processing step enhances the accuracy of DL models by up to 65% while maintaining a three times speedup compared to traditional numerical solvers. These findings highlight the potential of integrating denoising diffusion probabilistic models as a transformative approach to improving the reliability and accuracy of deep learning-based urban microclimate simulations, paving the way for more efficient and scalable fluid dynamics modeling.
- 1 March 2025
- Published by AIP Publishing in Physics of Fluids
- Vol. 37 (3)
Using diffusion models for reducing spatiotemporal errors of deep learning based urban microclimate predictions at post-processing stage
Computational fluid dynamics (CFD) is a powerful tool for modeling turbulent flow and is commonly used for urban microclimate simulations. However, traditional CFD methods are computationally intensive, requiring substantial hardware resources for high-fidelity simulations. Deep learning (DL) models are becoming popular as efficient alternatives, requiring less computational resources to model complex non-linear interactions in fluid flow simulations. A major drawback of DL models is that they are prone to error accumulation in long-term temporal predictions, often compromising their accuracy and reliability. To address this shortcoming, this study investigates the use of a denoising diffusion probabilistic model (DDPM) as a novel post-processing technique to mitigate error propagation in DL models' sequential predictions. To address this, we employ convolutional autoencoder (CAE) and U-Net architectures to predict airflow dynamics around a cubic structure. The DDPM is then applied to the model's predictions, refining the reconstructed flow fields to better align with high-fidelity statistical results from large-eddy simulations. Results demonstrate that, although deep learning models provide significant computational advantages over traditional numerical solvers, they are susceptible to error accumulation in sequential predictions; however, utilizing DDPM as a post-processing step enhances the accuracy of DL models by up to 65% while maintaining a three times speedup compared to traditional numerical solvers. These findings highlight the potential of integrating denoising diffusion probabilistic models as a transformative approach to improving the reliability and accuracy of deep learning-based urban microclimate simulations, paving the way for more efficient and scalable fluid dynamics modeling.
- Top Cited PapersOpen Access
- 12 February 2025
- Published by Elsevier in Building and Environment
- Vol. 273
Modeling multivariable high-resolution 3D urban microclimate using localized Fourier neural operator
- 12 February 2025
- Published by Elsevier in Building and Environment
- Vol. 273
Top Cited PapersOpen AccessModeling multivariable high-resolution 3D urban microclimate using localized Fourier neural operator
- Open Access
- 17 January 2025
- Published by Elsevier in Journal of Wind Engineering and Industrial Aerodynamics
- Vol. 257
Influence of blockage ratios in shaping wind dynamics in urban environments
- 17 January 2025
- Published by Elsevier in Journal of Wind Engineering and Industrial Aerodynamics
- Vol. 257
Open AccessInfluence of blockage ratios in shaping wind dynamics in urban environments