综述：建筑性能模拟中的物理信息机器学习——新兴领域综述

这篇综述系统梳理了物理信息机器学习（PIML）在建筑性能模拟（BPS）中的前沿进展，提出四类PIML方法（物理信息数据集、损失函数、模型结构和硬约束），对比其与传统BPS方法在数据需求、计算成本等维度的优劣，并探讨了在室内环境质量（IEQ）评估、控制优化等场景的应用潜力，为建筑节能与智能化提供新范式。

　　

物理信息机器学习：建筑性能模拟的范式革新

物理信息机器学习的定义与框架
物理信息机器学习（PIML）通过将质量守恒、能量平衡等物理定律嵌入机器学习模型，构建兼具数据适应性和物理一致性的混合建模框架。在建筑性能模拟（BPS）领域，PIML被明确定义为四类方法：物理信息数据集通过仿真数据增强训练样本；物理信息损失函数将PDE方程作为正则项；物理信息模型结构采用模块化神经网络编码热力学关系；物理信息硬约束则强制模型参数满足非负性等物理规则。

方法论突破与应用场景
在室内环境质量（IEQ）评估中，PIML显著提升温度预测精度——如Drgoňa团队开发的物理约束RNN模型，在仅10天训练数据下实现0.59 K的MSE，较传统方法提升45%。声学模拟领域，Cho等将波动方程嵌入损失函数，仅需46000个数据点即可重建声场反射，计算效率较传统方法提升112倍。控制优化方面，Jiang团队开发的图神经网络（GNN）结合差分预测控制（DPC），在真实办公楼测试中实现43.3%的节能率，同时保证温度响应符合热力学定律。

技术挑战与未来方向
当前PIML面临物理先验与数据拟合的权衡难题。例如，Xiao等发现强物理约束会使LSTM的预测误差增加5%，但能避免控制器失效风险。新兴解决方案包括：自适应拉格朗日法动态调整约束权重，知识发现-嵌入闭环框架迭代优化物理规则，以及KKT-hPINN等硬约束算法。未来需建立FAIR标准数据集，开发多尺度耦合框架，以支持从单区域CFD模拟到城市级能源规划的跨尺度应用。

结论
PIML通过物理定律与深度学习的协同，正推动BPS从经验驱动向机理数据融合范式转型。其在降低90%建模成本的同时保持<1°C预测误差的实践案例，标志着建筑数字孪生进入可解释、强泛化的新阶段。