基于迁移学习的多物理场替代建模与复杂公共建筑的低碳优化

《Energy》:Transfer Learning-Based Multi-Physics Surrogate Modeling and Low-Carbon Optimization for Complex Public Buildings

【字体: 大 中 小 】 时间:2026年04月27日 来源:Energy 9.4

编辑推荐:

  多物理场迁移学习模型与NSGA-III算法结合优化购物中心低碳设计,通过复用温室建筑数据训练的多任务神经网络,显著降低样本需求至50%且误差减少24.2%,实现结构安全、光照与能耗的多目标平衡优化,提出基于中庭布局的低碳策略。

  
钟宇婷|卢宏佳|冯若强|周怡怡|谢一民
河海大学未来技术学院,中国江苏省常州市213200

摘要

鉴于公共建筑具有众多设计变量且性能之间存在强耦合性,本研究提出了一种基于迁移学习的多物理场替代模型构建方法。通过将一个在温室建筑数据集上训练的多任务神经网络模型应用于购物中心场景,该方法显著降低了样本需求,提高了建模效率,同时保持了预测准确性。研究首先建立了一个包含结构构件、跨度、窗墙比等设计变量的参数模型,然后结合迁移模型进行多性能预测。在优化阶段,引入了NSGA-III多目标进化算法对性能空间进行全局搜索,以获得帕累托解,并根据不同目标的权重确定最优解。最后,进一步分析了不同中庭布局对照明均匀性和能耗的影响,提出了一种适合购物中心建筑的低碳设计策略。研究结果表明,该方法显著提升了关键建筑性能指标。通过迁移学习开发的替代模型与使用完整数据集从头开始训练的模型具有可比的准确性,同时相对于仅使用50%样本从头开始训练的模型,误差降低了24.2%。这证明了迁移学习有效提高了模型的泛化能力和建模效率,为复杂公共建筑的多目标性能优化提供了一条高效且可扩展的技术路径。

引言

碳排放已成为全球气候变化的主要驱动力,严重威胁着生态环境和经济发展[1]。全球变暖已经导致温度上升1.1°C,海平面上升约0.2米[2]。如果没有有效的碳减排措施,到2050年,与气候相关的经济损失可能达到69万亿美元[3]。作为全球能源消耗和碳排放的主要来源,建筑行业在实现碳中和方面发挥着关键作用。2021年,建筑及相关建筑活动占全球碳排放总量的40%,其中运营排放占28%[4]、[5]、[6]。因此,减少整个建筑生命周期的碳排放已成为实现碳中和的关键途径。
在双碳战略下,建筑设计正从单一性能导向转向多目标优化,其中结构安全、自然采光、热舒适性和碳减排等性能目标是相互依赖和相互制约的[7]、[8]、[9]、[10]。在这些目标之间实现最佳平衡已成为绿色建筑设计的关键挑战。为此,建筑性能模拟已扩展到多个物理领域,包括热环境模拟[11]、通风建模[12]、[13]、自然采光[14]、[15]、[16]以及结构行为分析[17]、[18]。这些进展提高了模拟精度,但通常侧重于单一物理分析,缺乏考虑多个领域之间相互作用的综合方法。此外,传统方法虽然准确,但计算成本高昂,不适合大规模、多变量的设计任务[19]、[20]。
在公共建筑中,由于人口密度高、空间体积大和运营时间长,能耗水平显著高于普通建筑。此外,结构系统更为复杂,运营控制更加复杂,对结构安全、环境舒适性和能源效率的要求也更高[21]、[22]、[23]。最近,神经网络作为一种预测建筑性能的有前景的方法出现,特别是在能耗、碳排放和热舒适性方面[24]、[25]。通过历史数据训练,神经网络可以快速预测多维性能,减少了对传统建模的依赖。例如,Platon等人[26]使用人工神经网络(ANN)预测电力消耗,将预测误差降低了7.3%;Escandón等人[27]利用ANN估计热舒适性,相对误差低于9%;Zhong等人[10]采用多任务学习同时预测结构安全和能耗,计算效率提高了50.7%。然而,传统神经网络方法通常需要大量样本数据进行训练,并且可能难以泛化到新的或未见过的场景,当样本数据不足或计算资源有限时,模型的预测准确性会显著下降。为了解决这一挑战,可以将迁移学习这种知识转移技术引入建筑性能预测和设计优化领域。其核心思想是将之前在类似任务或建筑类型上训练的模型知识转移到新的目标任务中,从而减少对大型数据集的依赖,提高模型的训练效率和泛化能力[28]、[29]、[30]、[31]。
迁移学习已成为公共建筑低碳设计中的强大工具,通过将知识从数据丰富的源建筑转移到数据有限的目标建筑中,解决了数据稀缺问题并降低了计算成本。它在各种建筑性能建模任务中证明了其有效性。例如,迁移学习提高了不同建筑类型的能耗预测[32]、[33],通过微调和持续学习在动态条件下实现了准确的热环境建模[34],并改进了暖通空调系统的建模和控制,提高了适应性和运营效率[35]、[36]。最近,它还被应用于超参数优化和模型调优,进一步提高了训练效率和鲁棒性[37]。然而,大多数研究仅关注单一性能指标,如能耗或热舒适性,没有充分考虑多个目标之间的相互作用,而这对于低碳建筑设计至关重要[38]。此外,迁移学习通常应用于结构和功能特征相似的建筑之间,限制了其泛化能力。因此,将其应用于结构和功能多样化的异构建筑的应用仍然是一个重要的研究空白。
如今,基于数据驱动和智能优化的设计机制被开发出来,以更高效和科学的方式满足复杂建筑的低碳设计要求[39]、[40]、[41]。通过构建高效的预测模型和多目标优化算法,可以在多种约束和变量下做出系统的设计决策,为公共建筑的绿色转型和碳中和路径提供强有力的技术支持。例如,Nasruddin等人[42]提出了一个结合人工神经网络和多目标遗传算法的框架,以最小化年度建筑能耗并最大化热舒适性。多目标优化为低碳建筑设计提供了强大的技术支持,随着算法和数据驱动技术的进步,其在平衡能耗、舒适性和材料利用方面的潜力将进一步实现,为全球碳中和目标做出更大贡献。
总结来说,当前公共建筑低碳设计面临的挑战如下:(1) 复杂公共建筑的设计通常涉及大量的结构和环境参数,如构件尺寸、窗墙比、围护材料、照明和通风系统等。这些设计变量之间的关系复杂,需要大量样本才能构建准确的性能映射模型。(2) 高质量的样本数据依赖于现场监测或数值模拟。然而,公共建筑的模拟通常涉及多物理场耦合计算,如热环境、气流和照明,这使得样本构建过程耗时且成本高昂。(3) 低碳建筑设计必须在结构承载能力与自然采光需求、室内热舒适性和碳排放控制之间取得平衡。
尽管迁移学习已被应用于建筑能源和环境建模,但大多数研究关注的是同类型的建筑和单一目标,忽略了跨类型迁移、多目标相互作用和小样本性能问题。这些限制限制了其在复杂公共建筑中的应用。本研究提出了一种高效的低碳设计方法,主要有三个贡献:
  • (1)
    本研究采用迁移学习策略,将一个在温室数据集上训练的多任务神经网络替代模型应用于购物中心建筑任务。这种方法有助于克服高维建模成本和样本获取困难带来的挑战。
  • (2)
    本研究同时构建了从零开始的非迁移学习模型、从零开始减少样本的非迁移学习模型以及迁移学习模型进行比较,以分析迁移学习对替代模型样本依赖性和准确性的影响。
  • (3)
    在确保结构安全的前提下,本研究进行多目标优化,尽可能满足室内照明和温度要求,并最小化碳排放,以实现多个目标的最佳平衡。
  • 本文的结构如下:第2节详细介绍了整体低碳设计方法,包括参数建模、从简单建筑到复杂建筑的迁移学习以及多目标优化。第3节将这种方法应用于一个实际的购物中心设计案例,展示了其准确性和有效性。第4节分析了优化结果,以确保在满足照明和室内需求的同时保持结构安全并最小化碳排放。最后,第5节总结了研究,并强调了集成低碳设计方法在建筑优化领域的巨大潜力。

    方法论

    本研究提出了一种基于迁移学习的多物理场替代模型开发方法,旨在实现购物中心的低碳设计。具体来说,通过将简化的建筑模型应用于购物中心场景,该方法显著降低了样本量需求,提高了建模效率,同时保持了预测准确性。整体设计框架如图1所示,具体步骤如下:
  • (1)
    样本集构建:
  • 购物中心案例研究

    公共购物中心集成了商业零售、办公和城市服务功能。由于其大规模和复杂的布局,它们迫切需要低碳设计解决方案。基于实际案例的空间布局和设计策略,本研究重点关注四层购物中心的设计优化。目标是探索如何通过优化跨度、窗墙比等参数来改善建筑的采光性能、热舒适性和能源效率。

    结果与讨论

    从多目标优化过程中获得帕累托解集后,目标之间的固有权衡使得无法直接确定单一最佳解决方案。因此,需要引入一种决策机制来选择最能满足整体性能要求的解决方案。在本研究中,采用了改进的理想点方法[8]进行多目标决策。通过计算每个目标之间的欧几里得距离……

    结论

    本研究建立了一种适用于复杂公共建筑场景的低碳设计方法,旨在提高材料利用率、满足采光要求和热舒适性,并减少碳排放。为了解决购物中心建筑中众多变量和高样本获取成本带来的挑战,本研究将已在温室场景上训练的多任务深度神经网络模型应用于购物中心场景。该方法使得结构组件的重用成为可能……

    CRediT作者贡献声明

    周怡怡:撰写 – 审稿与编辑、监督、项目管理、资金获取。谢一民:撰写 – 审稿与编辑、可视化、验证、监督、项目管理。钟宇婷:撰写 – 审稿与编辑、原始草稿撰写、软件开发、方法论研究、数据分析、概念化。卢宏佳:撰写 – 审稿与编辑、监督、数据分析、正式分析。冯若强:撰写 – 审稿与编辑、监督

    利益冲突声明

    ?作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

    致谢

    作者衷心感谢长江三角洲科技创新社区联合研究项目(项目编号SQ2025CSJGG0016)和国家自然科学基金(项目编号51978151)提供的财务支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号