低碳模块化建筑设计：一种超图神经网络代理模型

《BUILDING AND ENVIRONMENT》：Design for low carbon modular buildings: A hypergraph neural network surrogate model

　　

• •
  早期阶段的模块化配置是降低隐含碳的主要杠杆。
• •
  一种类型化超图神经网络代理模型将碳核算与进化优化相连接。
• •
  在99个基准布局中，有45.5%被识别出经验证的低隐含碳设计方案。
• •
  三个区域的平均可优化隐含碳减排幅度达到22.5–28.0%。
• •
  在多元的区域背景下涌现出反复出现的优化模式。

引言

模块化建筑（MBs）作为一种追求生产率和可持续性的现代建造方法被广泛推广[26]，然而其实证性的碳效益证据仍然喜忧参半。先前的研究表明，模块化建筑的隐含碳（EC）低于传统建筑[20,27]。近期分析进一步发现，模块化建筑的隐含碳表现高度可变且依赖上下文[7]。这些发现表明，模块化建筑的可持续性潜力并不能自动实现[52]，而是取决于此类模块化系统的设计方式。尤其是，在早期设计阶段做出的模块配置决策——例如使用多少模块、在哪里划分模块边界、服务区域的布置方式以及接口的组织方式——可能塑造场外制造（A1–A3）、运输（A4）和现场安装（A5）各环节的隐含碳[21]。这些决策决定了材料冗余、运输需求、吊装操作和现场连接工作的整体范围[51]。因此，优化模块配置对于实现模块化建筑的可持续性潜力至关重要[41]。

尽管其重要性显而易见，但模块配置作为碳设计变量尚未受到系统的关注。现有降低模块化建筑隐含碳的策略大多集中于材料替代或结构升级[14]。这些方法固然重要，但往往将模块配置视为既定条件，而非设计优化的对象。对于同一单元模块化建筑而言，相同空间布局的不同配置可能导致隐含碳结果显著不同。例如，碎片化的模块边界会增加重复墙体和接口材料[52]；分散的湿区可能需要更复杂的机电管线协调[50]；过度的模块细分虽然降低了单个构件的运输难度，却增加了模块制造、吊装和现场连接的复杂度[51]。因此，挑战不仅在于计算固定模块化方案的隐含碳，更在于促使设计者在灵活性仍然较高时探索能降低隐含碳的最优模块配置。

然而，当前的研究和工作实践尚不足以应对这一任务。首先，以往研究大多孤立地审视单个设计阶段或措施，缺乏评估某一配置在A1–A5整体上表现的机制[51]。例如，减少重复墙体冗余的策略虽可降低制造碳，却可能增加模块数量，从而加重运输和吊装负担[52]。因此，目前缺乏一个能联合评估所有A1–A5阶段配置决策的系统框架。其次，生命周期评价（LCA）工具并不适合早期设计探索[21]。其详细的输入要求和流程开销阻碍了对大型配置空间的快速筛选[8,22]。在现行实践中，这些工具通常在配置决策做出之后才被使用，而非之前。碳评估因此被当作事后的审计，而非并行进行的设计输入。早期模块化建筑设计所缺乏的，是一种能够以设计迭代速度评估三种隐含碳阶段配置的LCA工具。

代理模型为解决这一计算挑战提供了可行途径。通过在有限数量的预评估样本上进行训练，代理模型学习从设计输入到性能输出的映射关系，并为未见过的替代方案提供快速预测[2,49]。难点在于表示方式。传统代理模型，如人工神经网络（ANN），以数值向量进行操作[10]。基于图神经网络（GNN）的代理模型将其扩展为将建筑设计表示为成对关系[29,36]。然而，模块配置的碳相关结构本质上属于群组层级。隔墙之所以被重复设置，是因为它同时归属于两个模块；运输惩罚源于同一模块内所有构件的共同尺寸；标准化收益则来自于几何相似的模块组。超图神经网络（HGNNs）恰好能够捕捉此类关系：单个超边可以连接任意数量的节点[13]。模块归属、共享边界和标准化模式可以作为显式的类型化特征进入模型，而非衍生量[15]。因此，基于HGNN的代理模型能够学习配置机制如何贡献于隐含碳结果。

本研究旨在开发一种工具，用于在早期设计阶段对模块化建筑配置进行快速隐含碳优化。为达成此目标，基于类型化超图表示的模块配置训练了一个代理模型，并将其整合到优化框架中以整体性地识别横跨A1–A5各阶段的低隐含碳配置。本研究有四个具体目标：(1)定义模块配置优化问题，包括配置参数化和横跨A1–A5各阶段的隐含碳计算；(2)扩展一种超图表示，将拓扑和高级配置关系编码为代理模型输入；(3)训练并验证一个HGNN代理模型，以映射模块配置与隐含碳结果之间的关系；(4)验证该框架在识别低碳配置以及揭示驱动隐含碳结果的配置参数方面的有效性。本文其余部分组织如下：第2节考察相关工作。第3节以四部分介绍本研究的方法论。第4节描述数据和实验设置。第5节呈现结果与分析。第6节讨论主要发现、局限性和未来工作。第7节进行总结。

章节摘要

模块化建筑中的隐含碳评估与优化

随着更清洁的电力电网和更严格的建筑节能规范带来运行能效的提升，隐含碳逐渐成为建筑物生命周期温室气体排放中越来越大的比重[34]。这一转变使得减少隐含碳变得日益紧迫，尤其是在最重大决策做出且干预成本最低的早期设计阶段[14,33]。对于模块化建筑而言，这种依赖性尤为突出：在模块化阶段所做

方法论

本研究开发了一种基于超图神经网络的代理模型，用于在早期设计阶段对模块化建筑配置进行快速隐含碳优化。该方法论由四个步骤组成，如图1所示：

• a)
  问题定义：定义模块配置优化问题，包括配置参数化和横跨A1–A5的隐含碳优化任务；
• b)
  超图表示：将模块配置编码为类型化超图，以捕捉房间、墙体和模块之间

案例研究

本研究将所提出的框架应用于三个区域的住宅模块化建筑项目：香港、新加坡和美国。选择这三个区域是因为它们代表了高密度大都市环境，且大体量模块化住宅应用广泛，同时在监管背景、模块化建造实践和供应链地理方面存在差异。这为在不同区域背景下评估隐含碳提供了多元且具有可比性的基础。

代理模型性能

表3比较了四种代理模型在常规随机五折交叉验证和更为严格的按项目分组五折验证下的预测性能。${\mathbf{R}}^2$衡量隐含碳结果方差中被代理模型解释的比例，值越高表示预测拟合度越强。MAPE衡量平均相对预测误差，值越低表示精度越高。当完整基准布局被保留

贡献

所提出的框架做出了三项主要贡献。第一，证明在早期设计阶段的模块配置决策蕴含着巨大的隐含碳减排潜力，而现有设计流程大多未能充分挖掘。在来自三个区域背景的99个布局中，45.5%的基准布局保留有经过验证的减排潜力，区域平均减排幅度为22.5–28.0%（可设计优化的隐含碳），相当于总前期隐含碳的8.6–11.6%。这些碳减排是

结论

本研究证明，早期设计阶段的模块配置决策代表了一个在模块化建筑中显著且大多未被开发的隐含碳减排机会。在应用于香港、新加坡和美国的99个住宅布局后，基于HGNN的代理模型框架为45.5%的测试基准识别出经验证的低隐含碳配置，可优化碳减排幅度最高达56.8%，平均为22.5–28.0%（视区域而定）。通过实现快速评估

CRediT作者贡献声明

高宇辰：撰写 – 原稿，可视化，验证，软件，方法论，数据整理，概念构思。陆伟生：撰写 – 审阅与编辑，监督，资源。王博伦：可视化，软件。

高宇辰|陆伟生|王博伦