建筑围护结构的多目标优化：一种代理模型辅助的三级验证框架

《Building and Environment》：Multi-objective optimisation of building envelopes: A surrogate-assisted three-tier verification framework

　　

• •
  三层框架：NSGA-III + GP代理模型，经EnergyPlus和Radiance验证。
• •
  Path-A日光代理指标追踪的是过度曝光（$$ 0.69–0.84），而非sDA（0.38–0.52）。
• •
  代理前沿无需调用模拟器即可构建，其结果与1204次直接搜索相当。
• •
  最优方案使结构储备提升至0.70–0.81，sDA提高9.3–38.6个百分点。
• •
  代理模型在性能上超越NSGA-II/III达29–33%，且在30$$倍预算下无解可出其右。

引言

建筑围护结构是室内环境与外部条件之间能量、光线和结构荷载交换的介质。作为控制热舒适度、视觉质量和资源消耗的主要界面，围护结构对整栋建筑的性能产生着不成比例的影响：围护结构相关传热占商业建筑总能耗需求的25–40% [1]，而幕墙透明度比直接决定了日光的可用性及相关电照明负荷 [2]。在建筑环境占全球能源相关碳排放约37%的背景下 [3]，优化围护结构设计是建筑业可把握的最高影响力机遇之一。

尽管围护结构设计如此重要，但其过程仍然以顺序性、分割式为特征：建筑师确立形式意图后，依次移交给结构工程师、能源顾问和照明设计师，各方在各自领域内独立优化，往往以牺牲其他方面为代价。为抗风荷载而加厚的窗槛墙可能加剧热桥效应；为节能而选用的低SHGC（遮阳系数）玻璃可能削减有效日光，致使照明能耗抵消节能收益。这种顺序式设计方法所得结果远未达到可实现的多目标Pareto前沿 [4]。

计算设计优化提供了一条替代路径。通过将围护结构设计建模为多目标优化问题，并将参数化几何与基于物理的仿真耦合，可以系统地搜索庞大的设计空间，找到能在竞争性能指标之间取得平衡的解决方案——这是顺序式设计无法实现的 [5]。进化算法，特别是非支配排序遗传算法的变体（NSGA-II和NSGA-III），由于其处理不连续、非凸目标景观并产生多样化Pareto前沿的能力，在建筑优化领域已展现出有效性 [6]。

然而，将多目标进化优化应用于建筑围护结构设计面临三大实质性挑战，限制了其实践推广。首先，将进化算法与高保真仿真耦合的计算成本令人望而生畏：一次EnergyPlus年度仿真根据模型复杂度需要2–15分钟，而基于种群的优化器评估数千个候选方案则需要数周的计算时间 [7]。其次，现有方法通常仅处理两到三个目标（通常为能耗与成本，或热环境与日光），忽视了围护结构性能的多物理场现实——包括结构行为 [8]。第三，大多数计算设计优化研究与建筑设计实践脱节，仅呈现抽象的Pareto前沿，未提供建筑师将优化结果转化为可建造方案所需的交互探索工具和设计空间可解释性 [9]。

本文通过开发MOBO-Envelope框架应对上述三大挑战。我们在此明确说明哪些是新颖的，哪些不是。优化器（NSGA-III）和代理模型类别（高斯过程回归）均为既有方法，将它们与建筑物理引擎耦合在组件层面属于工作流集成。方法论贡献体现在其他方面：(a) 首次将全部四个物理领域——热环境、结构（含梁柱有限元分析）、日光和成本——纳入单一进化循环中，并配以一致的三层验证协议；(b) 一种量化代理模型速度代价的协议，以可测量的Spearman/Pearson相关性对标准级和外部二进制真值进行检验，而非仅凭断言声称保真度；(c) 关于类别编码（序数编码 vs 独热编码，见第2节）的实证性、样本预算条件化发现。具体而言，MOBO-Envelope做出三项贡献：

• 1.
  四目标、三层物理信息驱动优化。我们将围护结构设计建模为在热环境、结构、日光和成本四个目标上的同步搜索，通过三个保真度层次的物理评估：Path-A解析法（闭式ISO 6946 / ISO 13790 / LM-83 / ASCE 7–22 / RSMeans）、Path-B标准级法（openseespy梁柱有限元分析、pvlib太阳几何学）和Path-C外部二进制法（EnergyPlus、Radiance）。据我们所知，在文献调研（见第1节）中，尚无先例在单一循环中同时整合全部四个领域、梁柱结构分析、代理加速、多层高保真验证和可重复性统计；创新之处在于集成验证协议本身，而非新的优化器。
• 2.
  带量化验证而非断言式验证的代理加速。基于200点拉丁超立方设计的ARD Matérn-5/2高斯过程代理模型，在NSGA-III循环内迭代精炼，在每一个目标和案例中均实现5折交叉验证$$。Path-A与Path-C在整个Pareto前沿上的Spearman相关性分别为$$、$$、$$，以此量化代理速度的代价，而非直接断言其与高保真真值的一致性。GP的校准后验方差使得不确定性感知主动学习填充（第11节）成为可能，这是相对于点预测型ANN代理模型的优势所在。
• 3.
  可重复的多气候案例研究。我们评估了三个气候特征显著不同的案例（休斯顿、纽约市、明尼阿波利斯），每个案例使用五个独立随机种子，并报告Bootstrap 95%超体积置信区间（相对宽度$$）。该框架发现的结构可行设计方案超出了符合规范顺序基准（B2）的可达范围，并通过每个案例的三个已发布折中选择器使权衡几何关系显式化。

本文其余部分组织如下。第2节综述计算设计优化、多目标优化方法、建筑性能仿真耦合以及建筑生成式设计的相关文献。第3节介绍MOBO-Envelope框架，包括参数化设计表示、四个目标函数、代理辅助进化算法和交互探索界面。第4节描述三个案例研究，报告定量结果并与基准设计进行比较。第5节讨论实践启示、局限性和未来工作。第6节总结贡献并阐明本研究的广泛意义。

章节摘要

相关工作

我们沿四个维度组织相关文献：建筑领域的计算设计、面向建筑性能的多目标优化方法、建筑性能仿真耦合，以及生成式设计方法。

方法论

MOBO-Envelope由四个相互关联的组件构成：(1) 参数化围护结构设计表示；(2) 四个基于性能的目标函数（三个物理目标——热环境、结构、日光——外加成本目标）；(3) 带三层验证的代理辅助进化优化算法；(4) 交互式Pareto前沿探索界面。图1映射了三个保真度层次（Path-A解析搜索；Path-B基于标准级Python验证）之间的数据流。

案例研究与实验评估

我们在跨越不同气候和使用类型的三种建筑类型上评估MOBO-Envelope。对于每个场景，我们将优化结果与算法定义的基准设计进行比较，后者编码了传统的单学科顺序尺寸设计（详见第4.2节）。

对建筑设计实践的启示

结果表明，代理加速的多目标优化与经验证的基于物理的仿真相结合，能够发现远超符合规范单学科顺序基准所能达到的围护结构设计。与同条件B2基准（第3节）相比，最优折中方案在$$的成本溢价下，将结构储备提升$$，空间日光自主度（sDA）提升$$个百分点；与B1基准相比，还额外挽救了三个方案中的两个。

结论

本文提出了MOBO-Envelope框架，其贡献在于集成的多层验证协议，而非新的优化器。该框架将热环境、结构、日光和成本目标耦合在单一NSGA-III循环中，并以标准级（Path-B）和外部二进制（Path-C）真值为基准量化代理速度的代价，采用ARD-Matérn-5/2 GP代理模型，在五个种子上达到5折交叉验证$$和Bootstrap 95%超体积置信区间（

CRediT作者贡献声明

Seyda Emekci：写作——审稿与编辑，写作——初稿撰写，可视化，监督指导，软件，方法论，调查研究，形式化分析，概念构想。Ali Abbas：写作——审稿与编辑，验证，方法论。Hakan Emekci：写作——审稿与编辑，软件，方法论。

利益冲突声明

作者声明不存在已知的竞争财务利益或个人关系可能影响本文所述工作的研究。

致谢

作者感谢EnergyPlus、Radiance、OpenSees、scikit-learn、pymoo、pvlib和SALib背后的开源社区，其免费分发的软件使得本文提出的多层验证协议在商用硬件上得以实现。作者亦感谢其所属机构——安卡拉耶尔迪姆贝亚济特大学、东伦敦大学和赫切泰佩大学——提供开展本研究所需的学术环境。作者

Seyda Emekci|Ali Abbas|Hakan Emekci