人工智能辅助瞬态红外成像用于建筑围护结构空气泄漏的形状感知检测与量化

《BUILDING AND ENVIRONMENT》：AI-assisted transient infrared imaging for shape-aware detection and quantification of building envelope air leakage

　　

• 开发了AI辅助的TIRI框架，用于围护结构空气泄漏量化。• 结合SAM分割、OBB标准化以及CNN-LSTM/MLP回归。• 创建了包含254个红外视频和1820个泄漏样本的数据集。• 石膏板预测R2达到0.96，砖砌外墙板达到0.85。1. 引言建筑围护结构的空气泄漏始终是影响建筑能效、居住者舒适度、室内空气质量以及围护结构耐久性的持续性性能缺陷[1,2]。与主要由热阻和边界温差控制的传导传热不同，空气泄漏是一种由裂缝、接缝、界面和贯穿部位两侧压差驱动的对流过程[1]。相关气流传输显热和潜热负荷，导致冷风、局部不适、水分积聚以及采暖、通风和空调（HVAC）需求增加。现场和模型研究一致确认，渗透是整栋建筑能耗的主要且不确定贡献因素，其受天气条件、施工质量及建筑运行方式影响显著[2,3]。在寒冷气候下，外排风可导致围护结构内部层间凝结和水分积聚，增加材料退化和霉菌生长的风险。在湿热气候下，渗透会增加潜热制冷负荷和HVAC负荷，并可能改变从原位测量和能耗模型推断的表观传热系数[4]。这些效应在极端天气和停电期间尤为严重，此时气密性差的建筑更难维持安全的室内条件[5]。鉴于此，实际挑战不仅在于减少总体泄漏，还在于可靠地定位和量化缺陷尺度的泄漏点，以便优先安排维修、调试和改造决策。现有空气泄漏诊断方法通常分为三类，即整栋建筑气密性测试、现场级泄漏检测和泄漏率定量估计。整栋建筑风机加压测试遵循ASTM E779和ISO 9972标准[6,7]，可提供用于合规和能耗建模的可重复总体泄漏指标。然而，这些测试无法确定泄漏发生的具体位置。现场级方法遵循ASTM E1186[8]指导，包括烟雾法、示踪剂法和红外检测法。ISO 6781-1[9]提供了红外热成像评估建筑热、气和水分异常的一般程序。在这些方法中，红外热成像（IRT）被广泛用作检测建筑围护结构异常的非侵入性工具[[10], [11], [12]]。建筑红外热成像由EN 13187及ASTM C1060等相关实践标准支持[13,14]，已应用于识别保温缺陷、水分相关现象、空气泄漏指示及一般热异常[[15], [16], [17]]。此前的一篇综述总结了利用红外热成像进行建筑围护结构检测的若干实际限制，包括表面发射率、反射辐射、风效应、环境变异性及测量规程相关的不确定性[11]。近期研究进一步探索了定量和全景红外工作流程、分割热成像流程以及围护结构评估中的表观U值推断[[18], [19], [20]]。尽管取得了这些进展，常规稳态红外热成像仍存在两个关键局限。首先，它通常需要足够大的室内外温差以产生清晰的热对比，这限制了其在适宜季节或场地条件下的适用性[11,17]。其次，稳态表面温度模式通常无法可靠地区分传导热桥与泄漏驱动的对流特征，因为两者都可能表现为局部热异常[10,17,21,22]。这些局限降低了诊断特异性，可能导致实际建筑检测中的歧义解释。此外，现场级方法往往是定性的、依赖操作人员的、对环境条件敏感的，且通常无法提供可重复的缺陷尺度气流量化结果。因此，仍需要一种能够同时支持泄漏定位和定量气流估计的高效诊断工作流程。从红外测量进行定量气流率估计本质上是一个逆问题，因为观测到的表面温度响应是耦合气流和传热过程的间接结果[23,24]。现有的定量热成像方法可大致分为基于物理的逆问题、基于特征或相关性的定量方法以及基于学习的逆问题方法。基于物理的方法将红外测量与传热和流体力学关系相结合，以推断泄漏几何形状和气流率，但通常需要额外的边界条件测量以及关于泄漏几何形状和热传输的假设[25]。基于特征或相关性的方法在受控压力和温度条件下，将选定的热指标、温度分布或热图特征与泄漏强度相关联[26,27]。近年来，基于学习的方法利用神经网络建立热成像测量与气流率之间的非线性关系[28,29]。例如，Royuela-del-Val等人[29]展示了基于神经网络的从热成像测量进行气流估计，而Tamayo-Alonso等人[28]利用卷积神经网络从空间分辨的三维热模式推断气流率。然而，定量逆问题仍然对泄漏几何形状、压差和温差、材料热响应以及实验边界条件敏感[24]。现有方法还主要依赖单个热图、预定义的测量区域、专用测量构型或受控泄漏几何形状。同时利用原生局部泄漏形态及其瞬态热演化进行缺陷尺度气流率预测仍属较少探索的领域。为提高敏感性和特异性，研究人员越来越多地探索瞬态和主动热成像，其中使用受控或自然发生的激励来产生时间相关特征。主动热成像和锁相策略已被讨论用于渗透评估，近期结合锁相热成像与风机激励的立面研究进一步证实了动态激励对泄漏可检测性的价值[26,30]。锁相热成像通常使用重复或周期性激励，并评估相应的基于相位和幅度的热响应，以将泄漏相关信号从热背景中分离出来。尽管此类方法可以改进信号分离，但通常需要在受控激励协议、周期性驱动和专用测试条件下进行。被动瞬态方法也表明，泄漏周围相邻区域与传导主导特征相比可能表现出不同的时间响应[10,31]。独立验证研究将热成像与粒子图像测速等流场可视化技术进行比较，支持利用瞬态信息来识别和表征围护结构中的渗透和外排行为[24]。互补的光学方法，包括背景取向涡流技术，同样表明动态激励可以增强泄漏可视化并减少歧义[32]。与此同时，人工智能越来越多地应用于红外数据进行自动异常检测、分割和分类。时空深度学习架构，包括卷积神经网络-长短期记忆网络（CNN-LSTM）及相关序列模型，在红外缺陷分类和时间依赖热行为建模方面展现了强大性能，这促使了在建筑诊断中的类似应用[[33], [34], [35]]。在建筑环境领域，机器学习（ML）辅助热成像已被探索用于自主热损失检测、基于热成像的渗透监测以及围护结构异常的语义分割[29,36,37]。近期的一类异常检测方法和领域特定数据集，如用于窗户泄漏检测的热图像和RGB图像数据集，进一步表明了有限标注数据条件下对数据驱动围护结构诊断的兴趣增长[38,39]。然而，大多数AI辅助热成像工作流程仍将热异常主要作为图像分类或分割目标处理，而较少研究明确地将瞬态泄漏动态、泄漏区域几何形状和实验描述符相结合用于定量气流率预测。瞬态红外成像（TIRI）通过捕获瞬态事件（如HVAC循环或压力驱动热扰动）期间的红外图像序列，将建筑热成像重新定义为短时间序列诊断问题，并提取强调快速泄漏驱动响应的时域特征[40,41]。与依赖周期性激励和基于相位或幅度的响应分析的锁相热成像不同，TIRI关注瞬态扰动后的短时热演化。这减少了对重复周期性驱动的依赖，同时保留了有助于区分泄漏驱动响应与传导主导热特征的动态信息。尽管先前的TIRI研究已展示了在有限驱动力下进行非侵入式泄漏检测的潜力，但缺陷尺度气流量化仍未解决。此外，许多热图像工作流程依赖固定图像窗口、全帧统计或手动定义的兴趣区域，这可能无法保留泄漏诱导热特征的实际形状、方向和空间范围。这一局限十分重要，因为泄漏模式可能因开口几何形状、流向、材料表面和局部边界条件而变化显著。因此，需要一个整合瞬态红外采集、自动泄漏定位以及考虑泄漏开口几何形状的感知形状分割的工作流程，用于缺陷尺度气流率预测。为解决上述差距，本研究开发并验证了一个AI辅助的TIRI框架，用于感知形状的建筑围护结构空气泄漏检测和缺陷尺度气流率估计。本TIRI框架旨在作为一种低压、缺陷尺度的诊断方法，作为整栋建筑风机加压测试的补充，而非ISO 9972测试的扩展。本研究的主要目标是开发并评估一个AI辅助的TIRI框架，用于从受控建筑围护结构试件的局部瞬态红外视频进行缺陷尺度气流率估计。次要目标包括：(1) 使用基于SAM的分割和OBB标准化生成感知形状的泄漏中心热视频张量；(2) 利用混合CNN-LSTM/MLP回归模型整合时空热信息与几何和实验描述符；(3) 评估石膏板和砖砌外墙板试件在不同温度、压力和气流条件下的模型性能；(4) 识别影响未来应用于更复杂围护材料和原位建筑条件的局限性。实验室实验在设有受控泄漏开口的墙板试件上进行，在规定的温度和压差下进行。所提方法整合了瞬态热证据检测、基于SAM的泄漏分割[42]、方向边界框（OBB）裁剪标准化以及融合的卷积神经网络-长短期记忆/多层感知器（CNN-LSTM/MLP）回归。在该框架中，基于SAM的泄漏掩模用于生成标准化的32×32泄漏中心热视频张量并提取几何描述符，包括泄漏区域面积、长宽比和范围。CNN-LSTM视觉流从局部热序列中学习时空泄漏特征，而MLP特征流整合几何和实验描述符。本研究将TIRI从定性的缺陷可视化推进到自动化的、感知形状的定量泄漏诊断，用于围护结构调试、改造优先级排序和质量保证。与主要依赖静态热对比、固定图像窗口、手动选择兴趣区域或标量温度描述符的传统红外热成像工作流程不同，所提框架从局部瞬态红外泄漏特征进行气流率估计。其主要创新在于在混合CNN-LSTM/MLP回归框架中整合瞬态泄漏动态、基于SAM的感知形状分割、基于OBB的空间标准化以及互补的实验描述符。该 formulation 保留了单个泄漏特征的形状、方向、空间热分布和时间演化，从而能够从瞬态红外视频进行缺陷尺度气流率估计。2. 方法学图1展示了用于建筑围护结构空气泄漏检测和量化的AI辅助TIRI方法的整体框架。该框架由两个相连的面板组成。上面板说明了瞬态红外成像采集和预处理工作流程，其中原始红外视频被转换为泄漏中心热张量和具有物理意义的描述符。下面板展示了这些处理后的输出如何被感知形状的混合学习模型用于气流率预测。下载：下载高分辨率图片（641KB）下载：下载全尺寸图片图1. AI辅助TIRI用于感知形状的建筑围护结构空气泄漏检测和量化的概览。与传统红外热成像主要依赖稳态热对比不同，所提TIRI框架使用短红外视频序列来捕获泄漏驱动气流诱导的局部瞬态热响应。工作流程由五个主要步骤组成，即真值气流标注、实验TIRI数据采集、瞬态热证据检测、基于SAM的感知形状泄漏分割以及混合CNN-LSTM/MLP气流率回归。首先，真值气流标签通过测量和校准每个墙板试件上每个泄漏点的泄漏率作为压差的函数获得，使用专用的气流测量装置。这些校准后的气流数据用作模型训练和验证的参考标签。其次，在受控实验室条件下采集实验TIRI数据。通过在测试腔室内使用加热器建立稳定的室内外温差。然后通过进气管向腔室内供风以增加内部压力，迫使空气通过墙板试件上的泄漏点泄漏。在此过程中，聚焦于墙面的红外相机记录热视频序列，称为TIRI视频。第三，通过分析TIRI视频中的像素级温度随时间的演化来生成瞬态热证据图。显示显著且空间一致温度变化的区域被识别为候选泄漏位置。第四，使用SAM对这些候选区域进行分割，以界定单个泄漏诱导热区域，同时保留其几何特征。对每个基于SAM生成的掩模计算OBB，以执行旋转裁剪和缩放标准化。

该过程生成固定尺寸的32×32泄漏中心热成像视频张量，保留泄漏特征的主导形状和方向。与此同时，从分割区域中提取几何和实验描述符，如泄漏面积、长宽比、覆盖率和温差。最终，标准化的热成像张量和描述符向量被用作混合CNN-LSTM/MLP回归模型的输入。CNN-LSTM分支从泄漏中心热成像视频张量中提取时空特征，而MLP分支则从几何和实验描述符中学习。这两条特征流被融合以估计与每个泄漏点相关的气流量。与固定窗口分析相比，所提出的形状感知方法根据检测到的泄漏形态而非手动选择的方形裁剪来定义感兴趣区域。这使得具有不同形状的泄漏特征，包括圆形、细长形、水平、垂直和不规则模式，能够被更一致地表示，用于定量气流量估计。

2.1. TIRI实验装置与测试样本

2.1.1. TIRI实验装置

TIRI试验舱由橡树岭国家实验室设计和建造，旨在实现对建筑围护结构空气泄漏相关的瞬态热响应的可重复激发和测量。如图2所示，测试装置由两个由试样开口分隔的环境区域组成，其中一个区域代表有调节的室内环境，另一个区域代表对置的室外环境。测试试样垂直安装在中央开口处，并沿周边密封以最小化边缘旁路泄漏，确保所测量的热响应主要由通过预定泄漏位置的空气流动控制。

图2. TIRI试验舱与实验装置：(a) TIRI试验舱示意图，显示六面箱体内部设备；(b) 实验装置。

两个区域之间的温差通过使用电阻加热器施加，以在试样两侧形成可测量的热对比。实验不依赖稳态热检测，而是采用瞬态压力激发以捕获时间相关的泄漏特征。瞬态驱动力由以开-关循环模式运行的变速风扇产生，在试样上产生短时压力脉冲。在测试过程中，使用RTD传感器（Omega Pt100）和压力传感器（Cole-Parmer EW-98,073-04）分别监测舱内空气温度和压差。红外视频使用Fluke RSE600热成像相机以5帧/秒的频率录制。Fluke RSE600的热图像分辨率为640×480像素，光谱范围为8–14 μm，在30°C时的热灵敏度≤0.04°C。对于每次测试，在预设温度和压力条件下的瞬态泄漏事件期间录制短红外视频帧序列。

由于每次TIRI视频测试期间未直接测量气流量，因此单独进行了压力-流量校准，将测量的压差转换为估计的体积气流量。该校准针对石膏板墙面和砖瓦外墙墙面面板配置，使用流量计和压力表在受控泄漏条件下进行。将气流量与压差关联的校准曲线见补充信息A，并用于为TIRI数据集分配校准导出的参考气流量标签。每次TIRI录制期间未同步测量气流。参考气流量是使用在受控条件下单独获得的气流-压力校准关系分配的。在每个校准条件下进行了三次重复测量，报告的压差和气流量代表相应平均值。测量不确定度约为压力±0.1 Pa，气流量±0.05 L/min。因此，这些值应被解释为校准导出的参考气流量。其不确定度包括压力和气流量测量、校准重复性以及气流-压力曲线拟合的贡献。

2.1.2. 测试试样

为TIRI实验制作了两个墙面面板试样，如图3所示。每个试样被构造成紧凑型模块化面板，带有8.9厘米（3.5英寸）木框架，公称尺寸为38.1厘米×38.1厘米（15英寸×15英寸），总厚度为10.2厘米（4英寸）。第一个试样采用石膏板面层，第二个采用砖瓦外墙面层。在试样上的预定位置引入了受控泄漏开口。泄漏配置包括单孔、双孔和多孔情况，使实验能够捕获孤立的泄漏行为和多个同时发生的泄漏特征。对于多孔试样，每个泄漏位置被分配一个唯一标识符，以便将各个泄漏区域与相应的校准导出参考气流量标签关联。

图3. 用于空气泄漏检测和量化的TIRI样本。

实验数据集包含254个瞬态红外视频和1820个泄漏样本，其中每个泄漏样本对应从红外视频中提取的一个泄漏孔实例。石膏板数据集包含131个视频和878个泄漏样本，其中包括48个单孔样本和830个多孔样本。砖瓦外墙数据集包含123个视频和942个泄漏样本，其中包括72个双孔样本和870个多孔样本。在所有测试中，压差范围为0.5至16.0 Pa，施加的温差范围为4至14°C，校准导出参考气流量范围为0.05至29.68 L/min。表1总结了每个测试组的试样类型、泄漏配置、红外视频数量、泄漏样本数量、实现的压差范围、温差范围和气流量范围。

表1. 实验数据集摘要。

试样类型 | 表面材料 | 泄漏配置 | 泄漏孔数量 | 红外视频数 | 泄漏样本数 | 压差范围(Pa) | 温差范围(°C) | 气流量范围(L/min)
---|---|---|---|---|---|---|---|---
石膏板面板 | 石膏板 | 单孔泄漏 | 1 | 48 | 48 | 2.2–16.0 | 4–14 | 0.38–1.28
石膏板面板 | 石膏板 | 多孔泄漏 | 10 | 83 | 830 | 2.0–15.0 | 6–12 | 0.15–24.26
砖瓦外墙面板 | 砖瓦外墙板 | 双孔泄漏 | 2 | 36 | 72 | 0.5–14.7 | 6–14 | 0.05–1.54
砖瓦外墙面板 | 砖瓦外墙板 | 多孔泄漏 | 10 | 87 | 870 | 2.0–15.0 | 6–12 | 1.08–29.68
合计 | —— | —— | —— | 254 | 1820 | 0.5–16.0 | 4–14 | 0.05–29.68

单孔石膏板案例在相对简单的表面条件下提供基线泄漏特征，而多孔石膏板案例引入了羽流相互作用，但无强烈的背景非均匀性。相比之下，砖瓦外墙案例由于表面浮雕、材料/辐射非均匀性和空间变化的传热而引入更复杂的热背景。双孔砖瓦外墙案例提供中等条件，具有有限的羽流相互作用，而10孔砖瓦外墙案例代表数据集中最具挑战性的条件，因为多个泄漏特征在不均匀面层背景上同时发生。

2.2. 数据处理、形状感知泄漏定位与特征提取

2.2.1. 瞬态热证据检测

原始红外视频帧序列首先经过处理，基于泄漏引起的瞬态对流与周围围护结构相对较慢的热响应之间的物理差异，识别候选泄漏位置。TIRI的传热机理在我们的先前研究中进行了理论推导和实验验证[41]。简而言之，压力扰动改变了通过裂缝、接缝或开口的空气流动，从而改变了泄漏通道内部及周围的局部对流换热。在短TIRI观测间隔期间，所产生的表面温度响应可近似为线性，其温度变化率取决于泄漏气流、空气温差、局部对流条件以及围护结构材料的密度和热容[41]。在红外检测中，表观的热点或冷点区域可能由传导热桥、传感器漂移、表面纹理、发射率变化、非均匀加热、反射、环境漂移或图像边缘伪影引起。即使没有气流存在，这些特征也可能产生强烈的热对比。由于泄漏驱动的空气流动产生局部且时间相关的表面温度响应，检测阶段被设计为强调同时表现出一致的时间响应和相对于周围邻域的局部热对比的像素。相比之下，以传导为主导的热桥可能在静态红外图像中表现为强烈的热异常，但在TIRI观测期间预计会表现出较弱的短时时间变化。

对于每个红外序列，使用两种互补操作生成了融合的热证据分数。首先，使用Theil-Sen斜率从每个像素的温度历史估计其时间趋势。Theil-Sen估计器确定时间斜率为时间序列中所有温度观测值对之间计算斜率的中位数，并提供了一种稳健的估计，减少了对孤立异常值和帧级噪声的敏感性[43]。在本TIRI框架中，该斜率代表短时温度变化率，这在物理上与泄漏驱动的对流换热相关，基于我们先前研究中推导的TIRI传热机理[41]。仅保留正趋势，因为仅测试了加热场景，且预期像素在泄漏事件期间表现出升温行为。其次，使用高斯邻域对时间平均红外图像进行局部归一化。在每个像素周围计算局部均值和局部方差，并根据像素相对于其周围邻域的偏差程度对其进行评分。负局部z分数值被抑制，以便该过程强调与泄漏响应相关的局部热异常。最终融合的证据分数通过将正时间趋势项与加权的正局部z分数项相乘获得，以区分紧凑的空间集中响应，同时减少弱弥散背景梯度。该公式反映了泄漏区域应同时表现出快速短时温度变化和局部空间对比的物理预期，同时抑制弱弥散背景梯度和静态热桥。然后从最终融合证据分数中，使用局部最大值检测识别与每个检测到的异常内高证据峰值像素对应的候选泄漏代表坐标。

对于多孔试样，检测到的候选峰值使用包含每个泄漏ID及其在640×480红外图像帧中预期像素坐标的预定义空间模板，分配给已知的泄漏ID标签。高证据峰值坐标在指定的距离容差内匹配到最近的模板位置，将每个泄漏特征与其对应的ID标签关联。

2.2.2. 基于SAM的泄漏分割与几何描述符提取

从瞬态热证据图中识别候选泄漏代表坐标后，使用SAM分割每个候选位置周围的泄漏引起的热区域。将候选坐标及其周围提示区域提供给SAM，以获得每个泄漏实例的二进制泄漏掩模。基于SAM的分割提供了热泄漏特征的形状感知边界。这很重要，因为泄漏响应可能根据泄漏孔几何形状、气流方向、压力条件、试样材料和局部边界条件而呈现圆形、细长形、不对称、弥散或不规则。

从二进制掩模中，泄漏区域面积计算为属于分割区域的像素数。然后对分割掩模拟合OBB（最小外接旋转框），以捕获泄漏特征的主导方向、长宽比和空间范围。长宽比从OBB的宽度和高度推导，提供泄漏区域细长程度的度量。覆盖率定义为分割掩模面积与OBB面积之比，表示泄漏区域在其OBB中的紧凑程度。与轴对齐或固定方形裁剪不同，OBB考虑了细长或不规则泄漏模式的方向。与施加的温差一起，这些描述符构成了混合回归模型MLP流使用的描述符向量。

几何描述符提供了关于泄漏引起热足迹的形态和空间发展的互补信息。泄漏区域面积量化了可检测到的气流引起热响应发展的空间范围。该量不解释为物理泄漏开口面积的直接测量，因为热扩散也取决于气流、材料特性和局部边界条件。长宽比表征了热足迹的方向性细长程度，这可能受泄漏路径几何形状、气流方向、附近边界和表面引导的热扩散影响。覆盖率定义为OBB中被分割泄漏区域占据的比例，表征了热足迹的紧凑性和不规则性。较低的覆盖率值对应于更不规则或空间分散的特征，而较高的值指示更紧凑的热足迹。因此，这些描述符提供了泄漏引起热特征的空间范围、方向性发展和紧凑性的物理动因表示。

提取的描述符与对应的真实流量值结合，创建了整合的元数据文件。对于每个泄漏实例，元数据包括材料类型、压力条件、温差、泄漏孔ID、真实气流量、几何描述符和唯一样本标识符。该元数据作为后续数据分割、热成像张量生成、模型训练和性能评估的核心索引。

2.2.3. 数据分割与热成像张量生成

标记的元数据随后使用分组和分层分割策略划分为训练、验证和测试子集。

首先采用五折分层组拆分来保留一个独立的测试子集，随后对剩余数据进行第二次拆分，分为训练子集和验证子集。这确保了模型在红外序列上的评估不涉及训练或验证过程中使用的序列。由于多个样本可能源自同一条红外序列，随机的样本级拆分可能会将高度相似的数据泄漏实例放入训练子集和评估子集中，从而导致数据泄漏和性能过高估计。为防止这种情况，采用了视频级分组，使得同一源视频的所有样本保持在同一个子集中。同时按气流范围进行分层，以在子集中维持具有代表性的低、中、高流量案例。这有助于减少对狭窄气流范围训练偏差的影响，并为模型在测量泄漏条件下的泛化能力提供更可靠的评估。

使用拆分元数据，分别为训练、验证和测试子集生成了标准化的泄漏中心热张量。检索原始红外序列后，使用先前计算的OBB参数来定义局部裁剪几何形状，并在所有帧中一致地提取相应的泄漏区域。每个提取的帧相对于其帧级均值进行归一化，进行空间平滑以减小传感器噪声，根据OBB方向进行旋转和裁剪，并调整为32×32像素。这为模型生成了一致的空间输入尺寸，同时保留了局部泄漏形态和瞬态帧间热响应，并排除了不必要的整帧背景信息。每个泄漏实例的张量表示为：

(1) $X_i \in \mathbb{R}^{32 \times 32 \times T}$

其中 $T$ 为所选瞬态红外序列中的帧数。描述符向量定义为：

(2) $z_i = [A_i, AR_i, E_i, \Delta T_i]$

其中 $A_i$ 为分割的泄漏区域面积，$AR_i$ 为泄漏区域的纵横比，$E_i$ 为伸展度，$\Delta T_i$ 为试样两侧的温度差。

对于每个子集，生成了原始OBB标准化张量并加以保留。数据增强仅应用于训练子集，通过对OBB中心和旋转角度引入小的抖动，模拟泄漏定位和方向的微小变化。此外，还对热帧施加了加性高斯噪声，以应对红外测量中传感器级别的波动。这些增强操作增加了训练样本的多样性，降低了模型对精确裁剪位置、方向或噪声模式过拟合的可能性。

**2.3 模型训练、验证与性能指标**

对于每个泄漏实例 $i$，混合CNN–LSTM/MLP模型接收两个输入，即标准化的泄漏中心热视频张量 $X_i$ 和描述符向量 $z_i$。模型将这些输入映射为预测的气流率：

(3) $\hat{Q}_i = f_\theta(X_i, z_i)$

其中 $Q_i$ 为测量的气流率，$\hat{Q}_i$ 为预测的气流率，$f_\theta$ 表示具有参数 $\theta$ 的可训练混合模型。

在模型训练之前，描述符变量使用z-score标准化进行归一化。对于每个描述符特征，均值和标准差仅从训练子集中计算，然后将相同的缩放参数应用于验证和测试子集：

(4) $z^*_{i,k} = \frac{z_{i,k} - \mu_{k,\text{train}}}{\sigma_{k,\text{train}}}$

其中 $z_{i,k}$ 为样本 $i$ 的描述符 $k$ 的原始值，$z^*_{i,k}$ 为标准化后的描述符值，$\mu_{k,\text{train}}$ 和 $\sigma_{k,\text{train}}$ 分别为描述符 $k$ 的训练子集均值和标准差。此步骤将所有描述符变量置于可比较的数值尺度上，并防止验证或测试子集中的信息影响特征归一化。

热张量通过视觉流处理，该视觉流由逐帧CNN编码器和LSTM层组成。每个32×32热帧首先通过卷积层从泄漏中心区域提取局部空间特征。帧级CNN特征序列随后输入LSTM，以学习泄漏引起的热响应的时序演化：

(5) $h_{v,i} = \text{LSTM}(\text{CNN}(X_i))$

其中 $h_{v,i}$ 为学习到的视觉嵌入。并行地，特征流使用多层感知器(MLP)处理几何和实验描述符向量：

(6) $h_{f,i} = \text{MLP}(z_i)$

其中 $h_{f,i}$ 为学习到的特征嵌入。两个嵌入拼接后通过全连接融合和回归层来估计泄漏气流率：

(7) $\hat{q}_i = g([h_{v,i}; h_{f,i}])$

其中 $g(\cdot)$ 表示融合和回归层，$\hat{q}_i$ 为归一化的预测气流率。该混合结构使模型能够同时利用泄漏羽流的时空视觉特征以及与泄漏区域形态和热驱动条件相关的具有物理意义的描述符。尽管气流率预测使用数据驱动回归模型完成，但模型输入和预处理流程是基于控制压力致气流泄漏的传热机理构建的。因此，所提出的框架在特征构建和数据表示方面具有物理引导性，同时使用数据驱动学习来解决局部瞬态热响应与泄漏气流率之间的复杂非线性关系。关于张量生成、模型架构、特征构建、数据增强和训练设置的更多细节请参见补充信息B.1。

训练过程中，测量的气流率使用材料特定的最大气流值进行归一化：

(8) $q_i = \frac{Q_i}{Q_{\text{max,mat}}}$

其中 $Q_{\text{max,mat}}$ 为对应材料模型选定的最大气流值。预测后，归一化的模型输出转换回物理单位，即 $\hat{Q}_i = \hat{q}_i \cdot Q_{\text{max,mat}}$，从而使所有报告的误差均以L/min表示。

模型使用训练子集进行训练，验证子集用于学习率调度、早停控制和检查点选择。使用AdamW优化器进行训练，最多训练100个epoch。采用ReduceLROnPlateau调度器，当验证性能停止改善时降低学习率。每个epoch结束时，使用验证集平均绝对误差(MAE)监控验证性能：

(9) $\text{MAE}_{\text{val}}(e) = \frac{1}{N_{\text{val}}} \sum_{i=1}^{N_{\text{val}}} |Q_i - \hat{Q}_{i,e}|$

其中 $e$ 为epoch编号，$N_{\text{val}}$ 为验证样本数，$Q_i$ 为测量的气流率，$\hat{Q}_{i,e}$ 为epoch $e$ 时样本 $i$ 的预测气流率。如果验证MAE连续20个epoch没有改善，则提前终止训练；否则，继续训练直至达到最大epoch限制。最佳模型检查点选择为验证MAE最小的epoch，并用于在保留的测试子集上进行最终评估。

性能指标包括平均绝对误差(MAE)、均方根误差(RMSE)、归一化均方根误差(NRMSE)和决定系数($R^2$)：

(10) $\text{MAE} = \frac{1}{N} \sum_{i=1}^{N} |Q_i - \hat{Q}_i|$

(11) $\text{RMSE} = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (Q_i - \hat{Q}_i)^2}$

(12) $\text{NRMSE} = \frac{\text{RMSE}}{Q_{\text{max}} - Q_{\text{min}}}$

(13) $R^2 = 1 - \frac{\sum_{i=1}^{N} (Q_i - \hat{Q}_i)^2}{\sum_{i=1}^{N} (Q_i - \bar{Q})^2}$

其中 $N$ 为测试样本数，$Q_{\text{max}}$ 和 $Q_{\text{min}}$ 为测试子集中测量的最大和最小气流率，$\bar{Q}$ 为测量的平均气流率。此外，计算残差以评估模型在测量气流范围内是否表现出系统性过高预测或过低预测，定义为 $r_i = \hat{Q}_i - Q_i$。使用相同训练/验证/测试拆分进行的基线模型和增强对照比较见补充信息B.2.3。

**3. 结果与讨论**

**3.1 瞬态红外响应**

图4展示了石膏板和砖砌饰面板试样在低、高压激励条件下及10°C温差下的代表性瞬态红外序列。各帧显示了压力激励后0、1、3和5秒时刻泄漏引起的热扰动的时序演化。对于石膏板墙板，由于面板材料表面更平滑且热分布更均匀，泄漏特征在空间上具有连贯性，且能清晰地与周围背景区分开来。高压工况产生的泄漏响应比低压工况更为明显，表明更强的压力激励（对应更高的气流率）增强了平流热特征，提高了泄漏的可见性。

*下载：下载高分辨率图片（1MB）*
*下载：下载全尺寸图片*

图4. 石膏板和砖砌饰面板试样在低、高压激励条件下及10°C温差下的代表性瞬态红外序列：(a)和(b)分别为低(2 Pa)和高(15 Pa)压力激励下的石膏板试样；(c)和(d)分别为低、高压激励下的砖砌饰面板试样。

对于砖砌饰面板墙板，由于不均匀饰面创造了空间变化的背景温度场，其热响应更为复杂。与石膏板相比，砖砌饰面板上泄漏引起的扰动显得更为弥散，并部分被局部热不均匀性所掩盖。即使在高压激励下，泄漏特征与周围表面图案的视觉可分离性也不如石膏板情况。这突出了在实验数据集中纳入平滑饰面和非均匀饰面试样的重要性。石膏板案例为评估瞬态泄漏行为提供了基准条件，而砖砌饰面板案例则代表了泄漏定位和气流率量化的更具挑战性的场景。

为进一步考察瞬态热响应，使用相对温度变化表示法对相同代表性案例进行了处理，定义为 $\Delta T(t) = T(t) - T(0)$，结果见补充信息C。此补充可视化减少了初始表面温度差异的影响，并突出了泄漏引起的热特征的短时间发展。

**3.2 瞬态热证据图与形状感知泄漏定位**

图5展示了形状感知泄漏定位和张量生成工作流，该工作流将全帧红外视频转换为标准化的泄漏中心模型输入。从原始红外帧开始，生成瞬态热证据图以可视化与泄漏驱动气流相关的局部热扰动。生成的证据图显示，泄漏检测算法有效地突出了表现出泄漏类时序行为的像素，同时抑制了原始帧中可见的热桥。随后使用SAM对候选泄漏区域进行分割，生成的掩膜捕捉了每个泄漏特征表观尺寸和形态。对检测到的泄漏区域拟合OBB，以定义形状感知的裁剪区域，保留每个热特征的主导方向和空间范围（图5(a)）。

*下载：下载高分辨率图片（494KB）*
*下载：下载全尺寸图片*

图5. 形状感知泄漏定位和热张量生成工作流：(a) 从原始红外帧到检测泄漏区域上拟合OBB的全帧处理序列；(b) 泄漏孔H03的泄漏区域标准化示例。

图5(b)展示了泄漏孔H03的示例。局部热特征首先从全帧图像中提取，然后用OBB包围，旋转/裁剪并调整为32×32的标准化张量。与固定方形裁剪相比，基于OBB的方法减少了不必要的背景信息，更好地保留了细长或倾斜的泄漏形态。此标准化表示使混合CNN–LSTM/MLP模型能够从一致定义的泄漏中心输入中学习瞬态热模式，同时保留关于羽流形状和方向的具有物理意义的信息。

**3.3 混合CNN-LSTM/MLP模型的气流率预测性能**

**3.3.1 模型收敛与早停行为**

对于石膏板模型，分组拆分分配了557个样本用于训练，137个用于验证，180个用于保留测试。仅训练集增强随后将石膏板训练集扩展至11,697个张量条目。在砖砌饰面板案例中，分组拆分产生了596、152和194个样本分别用于训练、验证和保留测试子集；增强后，训练子集包含12,516个张量条目。

图6展示了两种材料特定气流率预测模型的训练历程。对于石膏板数据集，训练MAE在初始epoch期间快速下降，随后继续逐步改善。验证MAE也呈现总体下降趋势，尽管在早期和中期阶段观察到中等波动。最佳验证性能在第98个epoch获得（见图中的虚线），验证MAE约为0.75 L/min。此后期检查点选择表明模型在整个训练过程中大部分时间持续改善其验证性能。训练和验证曲线之间的分离是预期的，因为模型权重使用训练子集优化，而验证子集在参数更新期间保持未见过。这种相对稳定的收敛行为与石膏板较平滑的表面条件一致，其中泄漏引起的热特征在空间上更为连贯，且视觉上可与背景区分。

*下载：下载高分辨率图片（396KB）*
*下载：下载全尺寸图片*

图6. 气流率预测模型训练历程曲线：(a) 石膏板；(b) 砖砌饰面板。

对于砖砌饰面板数据集，训练MAE随训练进行而持续下降，表明模型从训练样本中学到了与泄漏相关的时空和几何特征。然而，验证MAE主要在训练早期阶段改善，随后在相对狭窄的范围内波动。最佳验证性能在第19个epoch获得，验证MAE约为1.5 L/min。此后，训练误差的进一步降低未能转化为一致的验证改善，训练随后通过早停准则终止。此行为表明砖砌饰面板的气流率预测更具挑战性，因为非均匀饰面引入了更强的局部热变化、表面图案效应和更为弥散的泄漏特征。

**3.3.2**

气流速率预测

最终气流速率预测性能使用保留的测试子集进行评估，这些测试子集包含180个石膏板样本和194个砖饰面板样本。模型性能使用MAE（平均绝对误差）、RMSE（均方根误差）、NRMSE（归一化均方根误差）和R2进行量化，汇总结果见表2。

**表2. 总体气流速率预测性能**

| 面板 | MAE (L/min) | RMSE (L/min) | NRMSE (-) | R2 (-) |
|------|------------|-------------|----------|--------|
| 石膏板 | 0.63 | 1.09 | 0.05 | 0.96 |
| 砖饰面板 | 1.74 | 2.75 | 0.09 | 0.85 |

石膏板模型的MAE为0.63 L/min，RMSE为1.09 L/min，NRMSE为0.05，R2为0.96。这些结果表明，在所测试的气流速率范围内，测量值与预测气流速率之间具有高度一致性。砖饰面板模型的MAE为1.74 L/min，RMSE为2.75 L/min，NRMSE为0.09，R2为0.85。虽然预测误差高于石膏板模型，但R2值仍表明该模型捕捉到了砖饰面板墙体中瞬态红外特征与测量气流速率之间的整体关系。

为进一步评估每个模型输入流的贡献，使用相同的训练、验证和测试划分进行了基线模型和数据增强对照比较。详细结果见补充信息B.2和表S2。简言之，MLP基线模型仅使用几何和实验描述子，而CNN-LSTM基线模型仅使用以泄漏为中心的红外热视频张量。对于石膏板和砖饰面板，未经增强的CNN-LSTM/MLP混合模型均优于单流基线模型，表明时空热视频张量和描述子向量提供了互补信息，有助于气流速率预测。数据增强对照比较显示，仅训练阶段的增强同时改善了两种材料的混合CNN-LSTM/MLP模型。与无增强的混合模型相比，数据增强将石膏板的MAE从0.72降至0.63 L/min，将砖饰面板的MAE从1.87降至1.74 L/min，同时将R2分别从0.93提升至0.96和从0.83提升至0.85。这些结果表明，数据增强通过增强模型对泄漏定位、方向和小尺度热噪声波动的鲁棒性，提高了模型的泛化能力。

图7进一步比较了测量与预测气流速率及其相应的残差分布。对于石膏板墙面板，如图7(a)所示，大多数预测值紧密分布在1:1参考线（红色虚线）周围，特别是在低到中气流速率范围内。这表明当泄漏引起的热特征清晰且较少受背景非均匀性影响时，模型能够准确估算气流速率。在较高气流速率下，若干数据点显示轻微低估，表现为负残差。这表明模型可能低估了部分高流量工况，原因可能是瞬态热响应开始趋于饱和，或者高流量羽流结构变得更加空间弥散，与气流速率之间的比例关系减弱。

对于砖饰面板墙面板，如图7(b)所示，预测值围绕1:1参考线的离散程度较大。残差图也显示与石膏板相比存在更大的正负偏差。这种更宽的残差分布（如图7(d)所示）反映了在非均匀表面上预测气流速率的难度更大。在低流量范围内，预测值通常接近测量值，但在局部表面纹理效应或热非均匀性产生类似于泄漏特征响应的情况下，会出现一定的过度预测。在高流量范围内，若干工况出现低估，表明模型在捕捉砖饰面板上的强泄漏事件时更加困难，因为羽流扩散、表面起伏、材料非均匀性和空间变化的传热可能削弱了表观热特征与测量气流速率之间的直接关系。

因此，高误差工况可归因于与材料相关的和与流量相关的机制。对于砖饰面板，表面起伏、辐射非均匀性和空间变化的热响应可能遮蔽泄漏特征或产生与泄漏引起的响应相似的局部热模式，降低了泄漏驱动的对流与背景表面效应之间的可分性。对于高流量工况，泄漏引起的热模式可能变得更加宽泛、弥散，与邻近泄漏特征相互作用，或者超出最局部化的泄漏区域。这些效应会削弱以泄漏为中心的热张量、几何描述子和标定导出的参考气流速率之间的关系，导致部分高流量工况产生较大残差和低估。

总体而言，石膏板模型产生了比砖饰面板模型更准确、更稳定的预测结果。这种差异是预期的，因为石膏板表面提供了更清洁的热背景和更一致的泄漏羽流发展条件。相比之下，砖饰面板表面通过表面纹理效应、非均匀辐射特性和异质传热引入了额外的复杂性。尽管存在这些挑战，砖饰面板模型仍取得了合理的预测性能，这表明混合CNN-LSTM/MLP框架即使在更复杂的表面条件下也能从瞬态红外序列中提取有用的气流速率信息。

需要注意的是，预测残差是相对于标定导出的参考气流速率进行评估的，因此可能包含模型预测误差和参考标签不确定性的贡献。标定测量的近似不确定度为气流速率±0.05 L/min，压力±0.1 Pa。此外，测量重复性和压力-流量曲线拟合也可能引入额外不确定性。因此，所报告的残差统计应解释为模型预测与标定导出的参考气流速率之间的偏差，而非孤立的回归误差度量。

**3.4 温差、流量和材料表面对预测的影响**

图8比较了温差对石膏板和砖饰面板气流速率预测误差的影响。绝对误差和相对误差均被展示，以从互补角度评估模型性能。绝对误差直接反映测量与预测气流速率之间的偏差（以L/min计），而相对误差通过将预测误差归一化到测量气流速率来计算，因此对低流量工况更为敏感。对于石膏板样本，ΔT = 6、8、10、12和14°C组分别包含n = 21、n = 32、n = 42、n = 84和n = 1个样本。对于砖饰面板样本，相应组分别包含n = 52、n = 86、n = 34、n = 20和n = 2个样本。ΔT = 14°C组因样本量极小，仅保留在图中以保证完整性，未用于趋势解释。

对于石膏板样本，在所测试的温差范围内，绝对预测误差保持相对较低水平。如图8(a)所示，ΔT = 6、8、10和12°C组的绝对误差中位数一般低于约0.5 L/min，尽管观察到若干离群值。四分位距也相对紧凑，表明在不同热驱动条件下预测性能稳定。ΔT = 14°C组仅包含一个样本，因此其看似较低的绝对误差不应被解释为该温差下模型性能更优的证据。图8(c)中的相对误差结果显示了相似的整体趋势，尽管部分工况出现了较大的相对误差。这是可以预期的，因为当测量气流速率很小时，即使绝对预测误差不大，相对误差也可能变得很大。

对于砖饰面板样本，不同温差下的预测误差表现出更大的变异性。如图8(b)所示，与石膏板相比，砖饰面板工况表现出更高的绝对误差中位数、更宽的四分位距和更多的大幅离群值，特别是在ΔT = 6和8°C时。这表明在低至中等热驱动条件下，砖饰面板墙面上的泄漏特征更难与空间变化的背景热模式区分开来。ΔT = 12°C组的中位误差和分布宽度高于其他温差组，表明更强的热对比并不一定保证在非均匀表面上获得更好的预测效果。图8(d)中的相对误差结果进一步表明，当气流速率较低时，预测不确定性可能被放大。与石膏板情况类似，ΔT = 14°C组仅包含两个样本，因此仅显示以保证完整性，未纳入趋势解释。

图9进一步考察了气流速率范围对预测误差的影响。气流速率被划分为三个实验特定组，即低流量（0 < Q ≤ 1 L/min）、中流量（1 < Q ≤ 5 L/min）和高流量（Q > 5 L/min）。对于石膏板样本，低、中和高流量组分别包含n = 43、n = 103和n = 34个样本。对于砖饰面板样本，相应组分别包含n = 11、n = 88和n = 95个样本。这些分组的选取旨在区分测试数据集中的弱泄漏条件与中等和较强泄漏条件。对于石膏板，如图9(a)所示，低流量和中流量组表现出相对较小的绝对误差和紧凑的误差分布。相比之下，高流量组的离散度明显更大，中位误差和平均误差均更高。这表明模型对中小泄漏工况表现良好，但对较强泄漏条件的准确度有所下降。一种可能的解释是高流量泄漏产生更宽泛、更不规则的热羽流，使得局部羽流形态与测量气流速率之间的关系更偏离线性。此外，在较高气流速率下，表观热响应可能开始趋于饱和或超出以泄漏为中心的裁剪区域，从而降低了不同高流量工况之间的区分度。

为支持不同气流速率范围内预测误差分布的视觉比较，对每种材料分别进行了非参数Kruskal-Wallis检验[44]。选择该检验是因为假设误差分布不一定服从正态分布且各组样本量不等。对于石膏板样本，Kruskal-Wallis检验显示低、中和高流量组之间的绝对预测误差存在显著差异（H = 27.70, p = 9.67×10??）。对于砖饰面板样本，该检验也显示不同气流速率组之间存在显著差异（H = 38.02, p = 5.53×10??）。这些统计结果支持了视觉观察结论，即气流速率范围影响预测误差，高流量工况通常产生更大、更不规则的误差。

相对误差结果提供了对低流量工况的额外见解。如图9(c)所示，尽管石膏板的绝对误差较小，但其低流量组的相对误差较大。这是因为当测量气流速率接近零时，较小的绝对偏差可能对应于较大的百分比误差。因此，低流量工况在绝对意义上不一定不准确，但在以相对误差评估时更为敏感。

砖饰面板表现出类似但更为显著的趋势。如图9(b)所示，低流量和中流量组的绝对误差适中，而高流量组表现出最大的误差离散度和若干大幅离群值。与石膏板相比，砖饰面板在各气流速率范围内均表现出更大的误差，反映了表面起伏、异质热惯性和非均匀辐射特性的影响。高流量砖饰面板工况尤为困难，因为较强的气流可能产生大范围的、弥散的、空间不规则的热扰动，这些扰动会被非均匀的背景表面部分遮蔽或扭曲。这些物理效应会削弱标定导出的参考气流速率与从32×32以泄漏为中心的张量中提取的局部热特征之间的关系，导致部分高流量砖饰面板工况产生较大残差和低估。图9(d)还显示低流量砖饰面板组的相对误差很高，同样是因为基于百分比的误差在测量气流速率较小时变得高度敏感。

总体而言，图8和图9表明，材料表面状态、气流速率范围和温差共同影响基于瞬态红外的气流速率预测。石膏板提供相对清洁的热背景，支持在不同温差和低到中气流速率范围内更稳定的预测。相比之下，砖饰面板由于表面起伏和空间异质热响应引入了额外的复杂性。绝对误差对于评估实际气流速率预测精度更为实用，而相对误差则突出了与低流量泄漏工况相关的更大不确定性。

这些研究结果表明，未来的改进应侧重于增加高流量样本数量、改进弥散羽流模式下的特征提取，并开发材料感知校准策略，以便更稳健地应用于实际建筑围护结构表面。

3.5 局限性与未来研究方向

所提出的TIRI框架在缺陷尺度风量预测方面展现了令人瞩目的性能，但同时也应承认存在若干局限性。首先，本研究使用的是具有预定义漏气位置和已知漏孔构型的受控实验室墙板试件。这种设计对于生成基于校准的参考风量标签以及评估定量漏气预测的可行性而言是必要的。然而，实际建筑围护结构包含更多样化的漏气几何形态、材料组合、表面处理、湿度状况和边界条件。先前的研究表明，围护结构的气流渗透和漏气行为受施工质量、材料界面、气象条件以及围护结构两侧的压力分布影响[1,45,46]。因此，未来工作应将数据集从实验室试件扩展至全尺寸围护结构组件及实际建筑现场条件。

其次，当前数据集包含两种代表性表面材料——石膏板和砖饰面，但未能全面覆盖实际工程中所遇到的围护结构材料范围。结果表明，砖饰面的预测误差大于石膏板，原因在于表面起伏、材料/辐射不均匀性以及更为弥散的漏气特征。红外热成像检测研究中也已报道了类似的挑战，其中表面发射率、材料热惯性、观察条件和背景温度梯度可能影响缺陷的可视性和判读[11,12,16,17]。未来研究应纳入更多外立面和围护结构材料，如乙烯基护墙板、灰泥、混凝土砌块、木质护板、保温板、门窗以及窗-墙接口组件。扩展材料数据库将提高模型在实际诊断场景中的泛化能力。

第三，实验在有限的温度和压力驱动条件下进行。尽管数据集涵盖了弱至中等压差和温差，但现场测量可能涉及变化的风压、太阳辐射、室内热分层、暖通空调运行以及不断变化的室外条件。红外热成像方法对环境条件和运行条件十分敏感，现有标准强调了适宜温度对比度、操作人员资质和判读规程的重要性[8,9,13,14]。未来工作应在动态边界条件下评估所提出的TIRI方法，包括风压驱动变化、太阳辐射负荷、室内外混合温差以及真实的暖通空调循环。

第四，尽管漏气与传导主导型热桥均可在静态红外图像中表现为局部热异常，但其底层物理机制和瞬态热响应存在本质差异。本研究的实验结果表明，所提出的基于TIRI的热证据映射方法能够有效抑制传导主导型热特征并突出与漏气相关的热响应。如图5所示，原始红外帧中观察到的若干非漏气热异常和类似热桥的模式在生成的证据图中有所减弱，而漏气区域则被清晰突出。此前关于红外热成像用于建筑缺陷检测的研究也已强调了静态热异常判读的困难以及改进诊断方法的必要性[12,16,17,26]。在当前结果的基础上，未来工作应通过纳入瞬态热响应特征、压力激励响应以及物理引导的证据融合，进一步规范化漏气与热桥的判别。这一扩展将拓宽该方法在实际围护结构诊断中的适用性，其中对流型漏气和传导型热缺陷可能同时存在。

最后，本研究使用了相对有限的实验数据集。尽管混合CNN–LSTM/MLP模型捕捉了有用的时空和几何信息，但在高流量工况和不规则表面墙板下，预测不确定性有所增加。当前实验仅限于0.5–16.0 Pa的压差范围；因此，在更高风门压力水平下的适用性需要单独进行实验验证。未来研究应增加训练样本数量，尤其是高流量漏气工况、额外材料表面和混合边界条件方面的样本。物理引导学习也可以通过嵌入压差、温差、瞬态热响应与气流速率之间的预期关系来提高模型的稳健性。近期的研究已证明了时空深度学习和基于LSTM的方法在红外热缺陷检测及相关热响应建模问题中的价值[[33],[34],[35]]。此外，多模态热成像、无人机红外测绘以及可见光到红外域迁移技术，有望支持更广泛的现场部署以及建筑围护结构诊断中的数据增强[38,47,48]。

4. 结论

本研究开发并评估了一种AI辅助的TIRI框架，用于建筑围护结构试件中缺陷尺度的漏气检测与风量量化。所提出的框架结合了瞬态红外视频分析、形状感知的漏气区域定位、SAM辅助分割、OBB标准化以及混合CNN–LSTM/MLP模型，从局部时空热特征中估计漏气风量。研究了两种代表性墙板表面材料——石膏板和砖饰面，以在平滑与不规则表面条件下评估该方法的性能。可得出以下结论：

- 结果表明，基于校准的缺陷尺度风量估计，在小型温差和压差条件下的受控实验室试件瞬态红外视频中具有概念验证可行性。
- 所收集的实验数据集为评估不同材料表面、漏气构型和驱动条件下的基于瞬态红外的漏气量化提供了良好的基础。石膏板墙面产生了更连贯且视觉上易于区分的漏气特征，而砖饰面墙面则引入了更强的背景不均匀性和更弥散的热响应。这些差异反映在砖饰面试件中观察到的较高预测不确定性中。
- 形状感知的漏气定位工作流程实现了以漏气为中心的热表征，用于风量预测。该方法对于涉及多种尺寸和形状漏气开口以及非均匀表面纹理的工况尤为有用，在这些情况下，固定方形裁剪或全帧特征可能捕获无关的热模式。
- 混合CNN–LSTM/MLP模型实现了优异的风量预测性能，尤其是对于石膏板试件。对于石膏板，模型的MAE为0.63 L/min，RMSE为1.09 L/min，NRMSE为0.05，R2为0.96。对于砖饰面，模型的MAE为1.74 L/min，RMSE为2.75 L/min，NRMSE为0.09，R2为0.85。砖饰面的较高预测误差表明，表面非均匀性、热异质性和弥散羽流发展增加了定量风量估计的难度。
- 材料表面状况和气流速率影响模型精度。低流量和中流量工况通常产生较小的误差，而高流量工况则显示出较大的残差，尤其是对于砖饰面。这表明高流量漏气可能产生更宽泛或局部化较差的热羽流模式，这在不规则表面情况下可能进一步加剧，从而更加模糊或扭曲漏气诱导的热特征。

总之，本研究证明了利用AI辅助瞬态红外成像对建筑围护结构试件进行非侵入式、局部化漏气量化的可行性。结果表明，局部时空热张量结合几何与实验描述符，可以支持定量的缺陷尺度风量预测。然而，在具有复杂现场干扰的真实建筑上的验证超出了本研究的范围。未来工作应将数据集扩展至更多围护结构材料、门窗接口以及实际建筑条件，同时进一步改进自动漏气区域发现、漏气与热桥的区分、不确定性感知预测以及现实环境条件下的验证。

免责声明

本文由UT-Battelle, LLC根据与美国能源部（DOE）签订的DE-AC05-00OR22725号合同撰写。美国政府保留出版商在接受本文发表时承认的权利，即针对已发表形式的本稿件进行出版或复制的非独占、已付费、不可撤销、全球范围许可，或允许他人为美国政府目的进行上述行为。DOE将根据DOE公共访问计划（http://energy.gov/downloads/doe-public-access-plan）提供对这些联邦资助研究结果的公共访问途径。本文表达的观点不一定代表美国能源部或美国政府的观点。

CRediT作者贡献声明

沈正来：撰写——审阅与编辑、可视化、方法论、调查研究、资金获取、形式分析、数据管理、概念化。
Md Sameem UI Qaum：撰写——初稿、软件、调查研究、形式分析、数据管理。
Som S. Shrestha：撰写——审阅与编辑、监督、项目管理、资金获取、概念化。
Shreyas Manoj Patil：软件、调查研究、形式分析。
Maksym Taran：软件、调查研究、形式分析。
Matthew Schmidt：撰写——审阅与编辑、软件、资源。
Philip Boudreaux：撰写——审阅与编辑、项目管理、资金获取。
Diana Hun：撰写——审阅与编辑、监督、资源、资金获取。
Yongzhi Qu：撰写——审阅与编辑、方法论、调查研究、形式分析。
Tianli Feng：撰写——审阅与编辑、资源、方法论、调查研究、形式分析、数据管理、概念化。

Shenglai Shen | Md Sameem UI Qaum | Som S. Shrestha | Shreyas Manoj Patil | Maksym Taran | Matthew Schmidt | Philip Boudreaux | Diana Hun | Yongzhi Qu | Tianli Feng